El Niño, la phase chaude de l'oscillation australe, modifie le climat à l'échelle planétaire : il provoque des sécheresses en Australie et des inondations au Pérou, et affecte la pêche et les récoltes. Une prévision précise plusieurs mois à l'avance laisse le temps de se préparer. Les modèles climatiques classiques (MCG) résolvent mal les processus à petite échelle, et les modèles régionaux sont limités par un emboîtement unidirectionnel. L'apprentissage automatique ouvre la voie à une analyse plus flexible de grands volumes de données océanographiques, mais les modèles existants souffrent souvent d'un manque de validation sur des données réelles et ne capturent pas toujours les événements extrêmes.
Les scientifiques ont rassemblé des données sur la température de surface de l'océan (SST) provenant de NOAA ERSST v5 et sur le contenu thermique de l'océan (OHC) du Centre de données océanographiques de l'Académie chinoise des sciences, pour la période allant de janvier 2000 à septembre 2023. La région a été limitée à la zone Niño 3.4 (5° S – 5° N, 120°–170° O). Les données ont été transformées en cartes thermiques pour le réseau de neurones convolutif (CNN) et en séries numériques normalisées pour la mémoire à long et court terme (LSTM). L'architecture ConvLSTM-XT se compose de deux blocs ConvLSTM, où les multiplications matricielles sont remplacées par des convolutions bidimensionnelles, et d'une couche de sortie entièrement connectée avec fonction d'activation ReLU et dropout de 0,3. Le modèle a été entraîné sur 50 époques avec l'optimiseur Adam, un taux d'apprentissage de 0,001 et une taille de lot de 32 ; la fonction de perte était l'erreur quadratique moyenne. La prévision a été évaluée à l'aide de l'indice ONI (moyenne sur trois mois de l'anomalie de SST), comparée au seuil de 0,5 °C.
Le modèle a été testé sur 52 mois, de novembre 2018 à septembre 2023. La précision des prévisions a atteint 90,57 % pour les configurations où au moins un des cinq trimestres utilisait des observations réelles, les autres étant des prévisions. Lorsque les cinq trimestres étaient prévus sans s'appuyer sur des observations, la précision est tombée à 83,02 %. L'analyse qualitative des cartes thermiques de mars à septembre 2023 a montré que le modèle a capté la transition des anomalies froides vers des anomalies chaudes, caractéristique du développement d'El Niño, bien qu'il n'ait pas toujours dépassé le seuil de 0,5 °C sur les cinq périodes.
Les résultats confirment que les réseaux de neurones hybrides spatio-temporels peuvent rivaliser avec les modèles traditionnels dans la prévision d'El Niño. La haute précision obtenue avec une utilisation partielle des observations témoigne de la valeur pratique pour le suivi opérationnel. La baisse de précision en prévision entièrement autonome indique la nécessité d'ajouter des variables d'entrée supplémentaires ou d'améliorer l'architecture.
Les recherches futures pourraient élargir l'ensemble des données d'entrée en incluant la tension du vent, les anomalies du niveau de la mer, les courants océaniques et la bathymétrie. Cela donnerait au modèle une représentation plus complète de l'interaction océan-atmosphère. Des modifications de l'architecture sont également possibles, comme l'ajout de mécanismes d'attention ou l'utilisation de transformeurs pour mieux capturer les dépendances à long terme.
L'approche développée peut être adaptée aux systèmes d'alerte précoce d'El Niño, permettant aux gouvernements et aux organisations humanitaires de planifier à l'avance leurs mesures de réponse. La méthode est également applicable à d'autres régions et indices climatiques.
La prochaine étape consiste à valider le modèle sur des données indépendantes hors de la période d'entraînement et à le tester en temps réel avec des mises à jour mensuelles des prévisions. Il faudrait aussi étudier l'effet de l'ajout de variables atmosphériques sur la précision des prévisions à long terme.
Dans le domaine de la prévision des anomalies climatiques, le problème de la prédiction des événements extrêmes, tels que les très forts El Niño, reste non résolu. Le modèle n'a pas encore été testé sur des scénarios rares mais catastrophiques. Un autre problème est de savoir comment utiliser les prévisions dans les systèmes réels de prise de décision : le lien entre la précision du modèle et l'efficacité de la réponse humanitaire est mal étudié.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs ont développé un modèle ConvLSTM-XT, combinant des couches convolutionnelles pour traiter les cartes thermiques et des LSTM pour les séries temporelles, et l'ont appliqué à la prévision des anomalies de température de surface de l'océan dans la région Niño 3.4. Le modèle a été entraîné sur les données NOAA ERSST v5 et le contenu thermique de l'océan, et la précision des prévisions sur 52 mois de test a atteint 90,57 % avec une utilisation partielle des observations réelles, et 83,02 % en mode entièrement autonome sur cinq trimestres.
Où est sa force
Le point fort de ce travail est de démontrer qu'une architecture hybride spatio-temporelle peut capturer les processus transitoires, comme le développement d'El Niño, même avec un appui limité sur les observations, ce qui ouvre la voie à une alerte précoce pratique.
Vers où avancer
À essayer
Pourquoi cela peut compter
Si l'on parvient à améliorer la précision des prévisions autonomes, cela permettrait d'alerter à l'avance sur les anomalies climatiques dans les régions où les observations arrivent avec un délai, et de réduire les dommages économiques causés par El Niño.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.57, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
El Niño de 1982–1983 a presque anéanti la population d'anchois du Pérou, qui soutenait la plus grande pêcherie du monde. Les captures sont passées de 12 millions de tonnes à moins d'un million de tonnes.
Dans le roman de Kim Stanley Robinson « Quarante signes de pluie », les modèles climatiques jouent un rôle clé dans la prédiction des phénomènes météorologiques extrêmes, et les scientifiques se battent pour que leurs prévisions soient entendues par les politiques. Le développement de modèles plus précis d'El Niño fait écho à ce thème : plus l'avertissement est précoce et précis, plus grandes sont les chances d'adaptation.