Deux observateurs surveillent l’océan Pacifique. L’un examine les cartes thermiques de la surface, l’autre écoute le rythme de la température et du stock de chaleur dans la colonne d’eau. Séparément, chacun ne perçoit qu’une partie du tableau, mais ensemble ils peuvent détecter l’approche d’El Niño plusieurs mois avant que le courant chaud ne modifie le climat de toute la planète.
El Niño, la phase chaude de l’oscillation climatique dans le Pacifique équatorial, apporte des sécheresses en Australie et des inondations au Pérou, affectant la pêche et les récoltes. Une prévision précise six mois à l’avance laisse le temps de se préparer. Les modèles climatiques classiques 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.
Des chercheurs de l’Université nationale du Vietnam ont construit le modèle ConvLSTM-XT, qui réunit les deux observateurs dans une même architecture. Le réseau de neurones convolutif (CNN) traite les cartes thermiques de température de surface de la mer (SST) provenant de NOAA ERSST v5, tandis que la mémoire à long et court terme (LSTM) analyse les séries temporelles de température et de contenu thermique de l’océan (OHC) du Centre de données océanographiques de l’Académie chinoise des sciences. Les données couvrent la période de janvier 2000 à septembre 2023, la région étant limitée à la zone Niño 3.4 (5° S – 5° N, 120°–170° O). Au lieu des multiplications matricielles habituelles dans les blocs LSTM, des convolutions bidimensionnelles sont utilisées, ce qui permet de capturer simultanément les motifs spatiaux et temporels.
La précision de la prévision 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 appui 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 aux 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 avec une utilisation partielle des observations témoigne de leur valeur pratique pour la surveillance opérationnelle. La baisse de précision en prévision entièrement autonome indique la nécessité de variables d’entrée supplémentaires ou d’améliorations architecturales. Les deux observateurs, en unissant leurs forces, donnent déjà plusieurs mois d’avance face à l’anomalie climatique.
El Niño de 1982-1983 a presque anéanti la population d'anchois du Pérou, qui soutenait la plus grande pêcherie au 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 prévision des phénomènes météorologiques extrêmes, et les scientifiques luttent 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'alerte est précoce et précise, plus grandes sont les chances d'adaptation.