Event-Level Probabilistic Prediction of Extreme Rainfall over India Using Physics-Gated Latent Dynamics

Résumé Technique : Prédiction Probabiliste de Précipitations Extrêmes au Niveau de l'Événement sur l'Inde via des Dynamiques Latentes à Porte Physique

Énoncé du Problème
La prédiction des précipitations extrêmes quotidiennes dans la région de la mousson d'été indienne (ISM) demeure un défi critique pour l'atténuation des catastrophes. Bien que la physique atmosphérique à grande échelle fournisse un contexte essentiel, la prédiction déterministe d'événements localisés est entravée par une forte persistance temporelle, un déclenchement convectif stochastique et des interactions multi-échelles entre le forçage synoptique et la dynamique mésoscopique. Les modèles de prévision numérique du temps (NWP) standards peinent à prédire avec précision le moment et l'intensité de ces événements en raison des incertitudes de paramétrisation. De plus, l'évaluation des modèles prédictifs à l'échelle quotidienne est compliquée par le problème de la « double pénalité », où les métriques déterministes standards (ex: RMSE) pénalisent injustement les modèles pour de légers déplacements spatio-temporels d'événements de haute intensité. En outre, les prévisions de persistance naïves surpassent souvent les modèles complexes lors de la vérification pixel par pixel en raison de la forte mémoire temporelle des systèmes à grande échelle.

Méthodologie
L'étude propose un nouveau cadre appelé Physics-Gated Latent Ordinary Differential Equations (PG-LODE) pour répondre à ces limites, en le comparant à une ligne de base ConvLSTM adaptative.

• Données : Le modèle utilise des variables de réanalyse ERA5 (eau totale en colonne, CAPE, vitesse verticale à 500 hPa, vents à 850 hPa et pression de surface) comme prédicteurs et des données de précipitations grilles de haute résolution de l'IMD comme cibles pour les saisons JJAS (juin-septembre) de 2000 à 2020.
• Définition de l'Extrême : Les événements extrêmes sont définis localement comme des précipitations dépassant le 95e percentile de la climatologie locale JJAS.
• Ligne de base (ConvLSTM) : Un ConvLSTM standard modélise l'évolution temporelle via des mises à jour récurrentes en temps discret. Les auteurs notent que cette formulation suppose implicitement des dynamiques temporelles uniformes, forçant l'intensification convective rapide à être compressée dans de simples étapes de mise à jour, ce qui conduit souvent à des prévisions conservatrices qui régressent vers la moyenne climatologique.
• Modèle Proposé (PG-LODE) :
  • Dynamiques Latentes en Temps Continu : Contra contrairement aux mises à jour discrètes de ConvLSTM, le PG-LODE modélise l'évolution de l'état atmosphérique comme une trajectoire en temps continu dans un espace latent appris en utilisant une Neural ODE.
  • Mécanisme de Porte Physique (Physics-Gating) : L'innovation centrale est une fonction de porte, $G(X_{phys})$, qui module explicitement le taux d'évolution latente en fonction d'indicateurs physiquement significatifs d'instabilité atmosphérique (spécifiquement le CAPE et la vitesse verticale dans la moyenne troposphère, $\omega_{500}$).
  • Dynamique : L'évolution est régie par $\frac{dz(t)}{dt} = f_\theta(z(t), t) \odot G(X_{phys})$. Sous des conditions de quiescence, la porte reste proche de l'unité, produisant des dynamiques quasi-inertielles. Sous des conditions de convection instable, la porte s'active ($G > 1$), accélérant l'évolution latente pour refléter les transitions d'état rapides associées à l'initiation convective.
  • Fonction de Perte : Une fonction de perte pondérée par les extrêmes est employée pour pénaliser plus lourdement la sous-estimation des événements extrêmes (où les précipitations $\ge P_{95}$) que les erreurs standards.
• Stratégie d'Évaluation : Pour atténuer le problème de la double pénalité, l'étude emploie une stratégie de vérification à deux niveaux :
  1. Niveau Pixel : Métriques catégorielles standards (POD, FAR, CSI) à la résolution native.
  2. Niveau Événement (Basé sur des Tuiles) : Le domaine est partitionné en tuiles de $32 \times 32$ pixels. Une tuile est considérée comme un « succès » si le modèle prédit une probabilité de dépassement $> 0,5$ et que le maximum de précipitations observées dans la tuile dépasse le seuil $P_{95}$.

Résultats Clés

• Performance au Niveau Pixel : Les deux modèles peinent dans la vérification déterministe par pixel, la persistance de base surpassant le ConvLSTM et le PG-LODE en termes d'indice de succès critique (CSI). Cela confirme qu'à des échéances quotidiennes, la compétence au niveau du pixel est dominée par la persistance à grande échelle plutôt que par la localisation précise de l'initiation convective. Le PG-LODE montre une amélioration de la détection par rapport au ConvLSTM mais souffre toujours de pénalités de déplacement spatial.
• Performance au Niveau Événement (Basée sur les Tuiles) : Une séparation claire de performance émerge lors de l'évaluation de la détection de l'aléa plutôt que de la localisation exacte du point de grille :
  • ConvLSTM : Reste très conservateur, ne détectant que 27 % des événements extrêmes (TILE-POD $\approx 0,27$) avec un taux de fausse alerte très bas (TILE-FAR $\approx 0,019$).
  • PG-LODE : Atteint une détection quasi complète des événements extrêmes (TILE-POD $\approx 0,996$) avec un taux de fausse alerte modéré (TILE-FAR $\approx 0,215$).
  • Score de Compétence : Par conséquent, le PG-LODE atteint une compétence au niveau de l'événement nettement supérieure (TILE-CSI $\approx 0,78$) par rapport au ConvLSTM (0,269) et à la base de persistance (0,495).
• Études de Cas : L'analyse visuelle d'événements spécifiques (ex: 4 juin 2000) démontre que tandis que le ConvLSTM échoue à s'écarter de la moyenne climatologique lors des pics, le PG-LODE capture avec succès l'intensification rapide pilotée par l'activation de la porte physique.

Signification et Revendications
L'article affirme que la contribution primaire du PG-LODE n'est pas la prédiction déterministe de l'emplacement exact des précipitations, mais plutôt la traduction efficace de la prévisibilité environnementale à grande échelle en des évaluations probabilistes fiables du risque de précipitations extrêmes.

Les auteurs soutiennent qu'en recadrant le problème de la localisation spatiale exacte vers la détection probabiliste d'événements, les dynamiques latentes en temps continu à porte physique offrent une approche supérieure pour la prévision de l'aléa de la mousson. La porte physique permet au modèle de rester inertiel lors de conditions stables tout en s'adaptant rapidement aux régimes de convection instable, alignant ainsi les dynamiques apprises avec le comportement physique connu du système de mousson. Cette approche parvient à surmonter le conservatisme des architectures récurrentes purement fondées sur les données, fournissant un outil mieux adapté aux systèmes d'alerte précoce où manquer un événement extrême est plus coûteux qu'une fausse alerte.

Limites
Les auteurs reconnaissent que le PG-LODE est guidé par la physique plutôt que contraint par la physique ; il ne résout pas explicitement les processus convectifs et n'impose pas de lois de conservation, ce qui limite sa capacité à fournir une localisation déterministe par point de grille. L'étude note également que les expériences ont été menées à une petite échelle de modèle pour assurer une comparaison équitable, et que la généralisation plus large et le calibrage probabiliste sont laissés aux travaux futurs.