Les prévisions El Niño étendues à 18 mois avec un modèle basé sur la physique

En Asie, dans l’océan Pacifique et dans les Amériques, l’oscillation australe El Niño (ENSO) entraîne des variations des vents, des conditions météorologiques et de la température des océans qui peuvent provoquer des sécheresses, des inondations, de mauvaises récoltes et des pénuries alimentaires. Récemment, le monde a connu un épisode El Niño majeur en 2023-2024, qui a eu un impact considérable sur les conditions météorologiques, le climat, les écosystèmes et les économies du monde entier.

En développant une approche de modélisation innovante, les chercheurs de l’École des sciences et technologies de l’océan et de la Terre (SOEST) de l’Université d’Hawaï à Mānoa sont désormais en mesure de prévoir les événements ENSO jusqu’à 18 mois à l’avance, améliorant ainsi considérablement le modèle climatique conventionnel. prévision.

Leurs résultats, qui allient des connaissances sur la physique de l’océan et de l’atmosphère avec une précision prédictive, ont été publiés dans Nature.

“Nous avons développé un nouveau modèle conceptuel, appelé modèle d’oscillateur de recharge non linéaire étendu (XRO), qui améliore considérablement la capacité de prévision des événements ENSO plus d’un an à l’avance, mieux que les modèles climatiques mondiaux et comparable aux prévisions d’IA les plus compétentes. “, a déclaré Sen Zhao, auteur principal de l’étude et chercheur adjoint au SOEST.

« Notre modèle intègre efficacement la physique fondamentale de l’ENSO et les interactions de l’ENSO avec d’autres modèles climatiques dans les océans mondiaux qui varient d’une saison à l’autre. »

Les scientifiques travaillent depuis des décennies pour améliorer les prévisions d’ENSO, compte tenu de ses impacts environnementaux et socio-économiques mondiaux. Les modèles de prévision opérationnelle traditionnels ont eu du mal à prédire avec succès l’ENSO avec des délais dépassant un an.

L’IA contribue à alimenter de nouvelles prévisions

Les progrès récents de l’intelligence artificielle (IA) ont repoussé ces limites, permettant d’obtenir des prévisions précises jusqu’à 16 à 18 mois à l’avance. Cependant, la nature de « boîte noire » des modèles d’IA a empêché d’attribuer cette précision à des processus physiques spécifiques.

Ne pas être en mesure d’expliquer la source de la prévisibilité des modèles d’IA se traduit par une faible confiance dans la réussite de ces prédictions pour les événements futurs, à mesure que la Terre continue de se réchauffer, modifiant les courants dans les océans et l’atmosphère.

“Contrairement à la nature “boîte noire” des modèles d’IA, notre modèle XRO offre une vue transparente des mécanismes de la physique de recharge-décharge du Pacifique équatorial et de ses interactions avec d’autres modèles climatiques en dehors du Pacifique tropical”, a expliqué Fei-Fei Jin, le auteur correspondant et professeur de sciences atmosphériques à SOEST.

« Les états initiaux du Pacifique extratropical, de l’océan Indien tropical et de l’Atlantique améliorent la prévisibilité de l’ENSO au cours de saisons distinctes. Pour la première fois, nous sommes en mesure de quantifier de manière fiable leur impact sur la prévisibilité de l’ENSO, approfondissant ainsi notre connaissance de la physique de l’ENSO et de ses sources de prévisibilité. »

Lacunes du modèle climatique, améliorations

“Nos résultats identifient également des lacunes dans la dernière génération de modèles climatiques qui conduisent à leur échec dans la prévision précise de l’ENSO”, a déclaré Malte Stuecker, professeur adjoint d’océanographie au SOEST et co-auteur de l’étude.

“Pour améliorer les prévisions ENSO, les modèles climatiques doivent capturer correctement la physique clé de l’ENSO et, en outre, trois aspects aggravants d’autres modèles climatiques dans les océans mondiaux : une connaissance précise de l’état de chacun de ces modèles climatiques lorsque les prévisions ENSO démarrent, la bonne “Mémoire océanique” variable selon les saisons de chacun de ces modèles climatiques, et représentations correctes de la manière dont chacun de ces autres modèles climatiques affecte ENSO au cours des différentes saisons.

« Différentes sources de prévisibilité conduisent à des évolutions distinctes des événements ENSO », a déclaré Philip Thompson, professeur associé d’océanographie à la SOEST et co-auteur de l’étude. « Nous sommes désormais en mesure de fournir des prévisions précises et à long terme de cette « diversité ENSO », ce qui est essentiel car les différentes variantes d’ENSO ont des impacts très différents sur le climat mondial et sur les communautés individuelles. »

“En plus d’El Niño, le nouveau modèle XRO améliore également la prévisibilité d’autres variabilités climatiques dans les océans tropicaux Indien et Atlantique, comme le dipôle de l’océan Indien, qui peut modifier considérablement les conditions météorologiques locales et mondiales au-delà des impacts d’El Niño”, » ajouta Zhao.

Directions futures

Les implications de cette recherche sont considérables, offrant des perspectives de prévisions ENSO plus précises et à plus long terme et d’améliorations des modèles climatiques mondiaux.

Bien que l’ENSO trouve son origine dans le Pacifique tropical, nous ne pouvons plus le considérer comme un problème lié uniquement à l’océan Pacifique tropical, que ce soit du point de vue de la modélisation et de la prévision, ou du point de vue de l’observation. Les tropiques mondiaux et les latitudes plus élevées font partie intégrante de l’amélioration des prévisions climatiques saisonnières.

“En retraçant les lacunes du modèle et en comprenant ces interactions avec notre nouveau modèle conceptuel XRO, nous pouvons affiner considérablement nos modèles climatiques mondiaux”, a fait remarquer Stuecker.

“Cela ouvre la voie à la prochaine génération de modèles climatiques mondiaux pour intégrer ces résultats, améliorant ainsi notre approche de prévision et d’atténuation des effets de la variabilité et du changement climatiques. De tels progrès sont cruciaux pour la préparation et l’adaptation de la société aux risques liés au climat.”

L’équipe de chercheurs de l’UH a été complétée par des auteurs collaborateurs de l’Université de Columbia, de la NOAA, de Corée et de Chine.