Chaque printemps, les chercheurs publient leurs prévisions pour la prochaine saison des ouragans :combien de tempêtes peuvent se former, et à quel point ils peuvent être graves. Mais et si vous pouviez créer ces prévisions jusqu'à un an et demi à l'avance ? Un nouveau modèle de la North Carolina State University intègre l'apprentissage automatique pour créer des prévisions d'ouragan à long terme avec une précision similaire à celles actuellement utilisées.

La plupart des prévisions d'ouragan d'avant-saison sont faites à l'aide de modèles statistiques qui utilisent des données optimisées de la pression au niveau de la mer, températures de surface de la mer et autres données climatiques historiques. Cependant, ces prédictions sont faites à partir de données de séries chronologiques, ce qui signifie qu'elles utilisent des lectures climatiques d'un endroit ou moyennées sur une zone et une période particulières.

"Les données de séries chronologiques sont unidimensionnelles - elles ne contiennent aucune information spatiale, ne change qu'avec le temps, " dit Lian Xie, professeur de marine, sciences de la terre et de l'atmosphère à NC State et auteur correspondant d'un article décrivant le travail.

« Nous examinions chaque série temporelle de prédicteurs à un emplacement moyenné sur une certaine période de temps chaque année :par exemple, anomalies de la température de surface de la mer en moyenne sur certaines parties du Pacifique tropical en février, " dit Xie. " En revanche, le nouveau modèle examine les données provenant de nombreux emplacements spécifiques, et pour chaque emplacement, il utilise deux points de données par mois, ajoutant une composante spatiale importante à la prévision."

"Les systèmes cycloniques sont outrageusement complexes, " dit le co-auteur Hamid Krim, professeur de génie électrique et informatique à NC State. "Nous savons que ce qui se passe dans des endroits éloignés aura et a un impact sur d'autres endroits grâce à la connectivité des systèmes météorologiques. Ainsi, un modèle spatio-temporel nous donne une image beaucoup plus précise de la dynamique d'un système cyclonique."

Le nouveau modèle intègre des données historiques d'événements météorologiques lointains comme El Niño et La Niña, ainsi que des données provenant de plusieurs emplacements à plusieurs moments. Pour entraîner le modèle, les chercheurs ont utilisé des données bimensuelles de 1951 à 2010.

Les chercheurs veulent utiliser le nouveau modèle pour prédire l'énergie cyclonique accumulée, ou ACE, afin de prévoir le degré d'activité d'une saison à venir.

« ACE est une façon différente de mesurer l'activité d'une saison des ouragans, au-delà d'essayer de donner un certain nombre de tempêtes, " dit Xie. " Il calcule la quantité d'énergie cinétique de chaque ouragan du début à la fin sur toute la saison. La somme de toute cette énergie est ACE.

« Alors que l'ACE est généralement fortement corrélé avec le nombre d'ouragans, par exemple, une saison active aura un ACE élevé - il peut y avoir des différences, " dit Xie. " Une saison avec un ouragan fort de longue durée et quelques ouragans plus petits pourrait avoir le même ACE qu'une saison avec un plus grand nombre d'ouragans de niveau intermédiaire. Ainsi, les comptes peuvent différer alors que l'ACE est le même, mais la détermination globale d'une saison comme étant active ou inactive sera généralement cohérente avec celles déterminées par le décompte des ouragans."

Les chercheurs ont validé leur nouveau modèle dans des fenêtres temporelles de trois, six, neuf, 12 et 18 mois contre sept ans de données sur les ouragans. Pour toutes les prévisions, le modèle a démontré une précision comparable à celle obtenue par les modèles actuellement utilisés. Pour la prochaine saison 2021, ils prévoient d'utiliser une combinaison des prévisions traditionnelles et du nouveau modèle, en se concentrant davantage sur l'ACE que sur le nombre de tempêtes.

Xie dit que les premiers résultats des prévisions à plus long terme semblent prometteurs.

"Il y a bien sûr des erreurs avec le modèle, mais sa précision est comparable à d'autres prévisions, avec l'avantage de gagner un délai plus long, " dit Xie. "Ce n'est vraiment que le point de départ. Nous espérons pouvoir continuer à l'améliorer au fil du temps."

"J'ajouterais que le défi est d'abord de mieux comprendre les interactions complexes à long terme des différents facteurs, puis les capturer mathématiquement, " dit Krim.

L'œuvre apparaît dans Atmosphère .