Vers une prévision à longue portée de l'ENSO à l'aide d'un modèle d'apprentissage profond explicite

L’oscillation de El Niño–Southern (ENSO) constitue un mode important de variabilité climatique interannuelle, aux impacts mondiaux étendus. Son évolution est régie par des interactions complexes entre l’atmosphère et les océans, ce qui pose des défis importants pour les prévisions à long terme. Dans cette étude, nous proposons CTEFNet, un modèle d’apprentissage profond multivarié qui combine réseaux de neurones convolutifs et architectures transformer afin d’améliorer la prévision de l’ENSO. En intégrant plusieurs prédicteurs océaniques et atmosphériques, CTEFNet permet d’atteindre une durée de prévision efficace de 20 mois, tout en atténuant l’effet de la barrière de prévisibilité printanière, surpassant ainsi à la fois les modèles dynamiques et les approches d’apprentissage profond les plus avancées. Par ailleurs, CTEFNet fournit des informations physiquement pertinentes et statistiquement significatives grâce à une analyse de sensibilité basée sur les gradients, révélant les signaux précurseurs clés qui régissent la dynamique de l’ENSO. Ces résultats sont conformes aux théories établies et apportent de nouvelles perspectives sur les interactions inter-bassins entre les océans Pacifique, Atlantique et Indien. La compétence prédictive supérieure de CTEFNet, associée à des évaluations de sensibilité interprétables, souligne son potentiel pour faire progresser la prévision climatique. Nos résultats mettent en évidence l’importance du couplage multivarié dans l’évolution de l’ENSO et démontrent les perspectives prometteuses de l’apprentissage profond pour capter les dynamiques climatiques complexes avec une interprétabilité accrue.