Chris Kent Adam A. Scaife Nick J. Dunstone Doug Smith et al

Résumé

Les modèles météorologiques fondés sur l’apprentissage automatique, entraînés sur des conditions atmosphériques observées, peuvent surpasser les modèles classiques basés sur la physique à des échelles de prévision à court et moyen terme (1 à 14 jours). Dans cette étude, nous examinons le modèle d’apprentissage automatique ACE2, entraîné pour prédire les évolutions atmosphériques par pas de 6 heures et capable de maintenir une stabilité sur de longues périodes de prévision, du point de vue de la prévision saisonnière (délai de prévision de 1 à 3 mois). En utilisant des anomalies de température de surface océanique (SST) et de couverture de glace marine persistantes, centrées sur le 1er novembre chaque année, nous initialisons un ensemble de prévisions saisonnières décalées couvrant la période 1993/1994 à 2015/2016. Sur cette période de 23 ans, les schémas de prévisibilité du modèle ACE2 présentent une similarité remarquable avec ceux d’un modèle physique de référence. Le modèle ACE2 produit des prévisions compétentes de l’Oscillation nord-atlantique (NAO), avec un score de corrélation de 0,47 (p = 0,02), ainsi qu’une répartition réaliste de la compétence et de l’écart-type de l’ensemble. De façon surprenante, ACE2 présente également un rapport signal-bruit, tel que constaté dans les modèles physiques, indiquant qu’il prévoit mieux le monde réel que ses propres simulations. L’analyse des prévisions pour l’hiver 2009/2010 révèle des limites potentielles du modèle ACE2 à capturer des conditions saisonnières extrêmes s’écartant du domaine de données d’entraînement. Cette étude démontre que les modèles météorologiques fondés sur l’apprentissage automatique peuvent produire des prévisions saisonnières globales compétentes, ouvrant ainsi de nouvelles perspectives pour une meilleure compréhension, le développement et la génération de prévisions climatiques à court terme.