Sur une station météo du comté de Brazos, au Texas, la pluie est enregistrée sur une bande magnétique — chaque jour, pendant quatre ans d'affilée. Neuf cents millimètres les bonnes saisons, cent les mauvaises. Puis la bande se tait. La sécheresse s'installe en silence — c'est l'extinction lente du pouls de la terre. L'indice standard SPI-3 ne réagit qu'au bout d'un mois ou deux, quand l'humidité a déjà disparu. Mais sur la bande, un murmure inquiétant se fait entendre bien avant le silence — il suffit de l'écouter à l'envers.

C'est cette bande que lit le réseau de neurones (un réseau entraîné sur des séquences), mais pas seulement pour prédire la prochaine averse. On l'entraîne avec une pénalité inverse : chaque état caché doit pouvoir être facilement reconstruit à partir de l'état suivant. Tant que le temps est stable, le défaut de reconstruction inverse — l'écart entre la note jouée et sa prédiction inversée — est presque inaudible. Mais dès que le scénario se fissure — la sécheresse approche — le défaut s'envole, comme l'aiguille d'un sonomètre. Le réseau devient un auditeur parfait, captant le craquement dans l'enregistrement inversé.

Ce défaut est accumulé par le détecteur statistique CUSUM (détecteur de changements progressifs), calibré sur des années calmes. Comme un microphone sensible, il ignore le bruit habituel mais enregistre le craquement croissant. Le réseau est entraîné avec un double objectif : une prédiction précise plus une pénalité de plus en plus stricte pour l'incohérence inverse. Résultat : la précision de la prédiction reste la même, et l'état interne du réseau devient un indicateur de la stabilité de toute la symphonie atmosphérique.

Les tests sur quatre continents — de Taïwan sous la mousson aux semi-déserts du Texas — ont montré que la régularisation inverse non seulement ne dégrade pas la prédiction, mais lisse aussi la trajectoire des états cachés : l'indice d'instabilité $Q_{path}$ a chuté de 43 à 55%. Les expériences synthétiques ont confirmé que le défaut capture le changement de régime multimodal — lorsque, outre les précipitations, l'humidité du sol et le vent changent — avant même qu'un déficit hydrique significatif ne s'accumule. C'est comme l'apprentissage contrastif : le réseau apprend à distinguer les phases stables et transitoires en comparant la lecture directe et inversée de l'enregistrement climatique. La suppression des oscillations dans la couche cachée devient un signal d'alarme — comme si un orchestre se mettait soudain à jouer à l'unisson, annonçant la tempête.

Ainsi, un seul modèle obtient une double écoute : la prédiction vers l'avant et le pressentiment vers l'arrière. La prochaine étape est de tester la méthode sur des dizaines de bassins fluviaux et à des échelles horaires, où les averses éclatent soudainement. Peut-être que la bande inversée aidera aussi à détecter les crues. En attendant, l'enregistrement passé dans les deux sens émet son craquement inquiétant plusieurs semaines avant que la pluie ne se taise.