Koopman Analysis of Sea Surface Temperature with a Signature Kernel

Les auteurs proposent une méthode d'analyse de Koopman basée sur les signatures pour améliorer la prévision et l'analyse spectrale de la température de surface de la mer en exploitant les segments de trajectoires annuelles afin de capturer les effets de mémoire.

L'essentiel

🌊 Prévoir le futur de l'océan : Une nouvelle méthode pour lire la "mémoire" de la mer

Imaginez que vous essayez de prédire la météo de demain en regardant simplement une photo prise à l'instant précis. C'est difficile, n'est-ce pas ? Vous ne savez pas si le vent vient du nord ou du sud, ni si une tempête s'est formée il y a deux jours.

C'est exactement le problème que rencontrent les scientifiques quand ils essaient de prédire l'évolution de la Température de Surface de la Mer (TSM). Traditionnellement, ils regardaient l'océan comme une série de photos instantanées (des "snapshots"). Mais l'océan a une mémoire : ce qui s'est passé il y a un mois ou un an influence encore ce qui se passe aujourd'hui.

Cette nouvelle étude, menée par des chercheurs japonais, propose une façon révolutionnaire de voir les choses. Au lieu de prendre des photos, ils décident de regarder le film complet.

1. Le concept : De la photo au film 🎬

Au lieu de dire "Quelle est la température de l'eau en janvier ?", les chercheurs disent : "Regardons comment la température a évolué tout au long de l'année".

Ils transforment chaque année en une trajectoire (un chemin tracé sur une carte). Imaginez que vous tracez le chemin d'un bateau qui navigue sur l'océan pendant un an. Ce chemin contient l'histoire : les courants, les variations, les souvenirs de l'année.

2. L'outil magique : Le "Signature Kernel" (Le détecteur de motifs) 🧐

Comment analyser ces chemins complexes ? Les chercheurs utilisent une technique mathématique appelée "Signature Kernel".

Faisons une analogie avec la calligraphie :

• Si vous regardez juste le point de départ et le point d'arrivée d'un trait de plume, vous ne savez pas grand-chose.
• Mais si vous regardez la manière dont la plume a bougé (les courbes, les accélérations, l'ordre des mouvements), vous pouvez reconnaître l'écriture de la personne.

Le "Signature Kernel" fait la même chose avec la température de l'océan. Il ne regarde pas seulement les chiffres, il analyse l'ordre et la forme des changements au fil du temps. Cela permet de capturer la "mémoire" de l'océan que les méthodes classiques oublient.

3. La machine à voyager dans le temps (L'opérateur de Koopman) ⏳

Une fois qu'ils ont compris la forme de ces chemins annuels, les chercheurs utilisent une machine mathématique appelée Opérateur de Koopman.

Imaginez que vous avez un téléscope temporel.

• Les méthodes anciennes (comme les modèles climatiques classiques) disent : "La prochaine année sera probablement comme la moyenne des 10 dernières années."
• Cette nouvelle méthode dit : "En regardant la forme précise de l'année passée, je peux calculer mathématiquement comment le 'film' va se dérouler l'année prochaine, et celle d'après, et encore celle d'après."

C'est comme si vous appreniez à un robot à danser en lui montrant une seule danse complète. Une fois qu'il a compris le rythme et les pas, il peut improviser la suite de la danse pour les années futures.

4. Les résultats : Une meilleure prédiction 🌍

Les chercheurs ont testé leur méthode sur des données réelles de l'océan Pacifique, Atlantique et Indien.

• Le verdict : Leur méthode bat les anciennes méthodes (qui se contentaient de faire des moyennes) pour prédire l'avenir, surtout sur le long terme (plusieurs années à l'avance).
• La découverte : En regardant les résultats, ils ont pu "voir" des motifs cachés dans l'océan, comme des rythmes naturels qui durent 20 ans, 9 ans ou 3 ans. C'est un peu comme si, en écoutant un orchestre, ils avaient pu isoler les notes jouées par le violon, la trompette et la batterie, même si tout le monde jouait en même temps.

En résumé 🎒

Cette étude nous apprend que pour prédire le futur de l'océan, il ne faut pas seulement regarder l'état actuel, mais comprendre l'histoire de ses mouvements.

En transformant les données en "chemins" et en utilisant une intelligence mathématique capable de lire la forme de ces chemins, les scientifiques ont créé un outil plus précis pour anticiper les changements climatiques. C'est un pas de géant pour comprendre comment notre planète "se souvient" de son passé pour dessiner son avenir.

Résumé technique

1. Problématique et Contexte

La température de surface de la mer (SST) est un indicateur clé de la variabilité climatique. L'analyse et la prévision statistiques traditionnelles de la SST reposent souvent sur l'hypothèse que l'évolution des champs de SST (souvent des moyennes mensuelles) est markovienne (l'état futur ne dépend que de l'état présent) et linéaire (ou linéarisable).

Cependant, lorsque l'on observe uniquement un sous-ensemble de l'état océan-atmosphère (comme la SST seule, sans les variables atmosphériques), la dynamique induite devient :

• Non-markovienne (dépendante de l'histoire) : L'évolution actuelle dépend de l'historique récent, créant un effet de mémoire.
• Non-linéaire : La dynamique sous-jacente est intrinsèquement non linéaire.

Les approches classiques (comme les modèles d'inversion linéaire - LIM) échouent souvent à capturer ces effets de mémoire et ces non-linéarités lorsqu'elles sont appliquées uniquement aux champs instantanés. L'objectif de cet article est de développer une méthode capable de modéliser ces dynamiques complexes en utilisant uniquement des données de SST, tout en conservant la puissance des outils d'analyse spectrale linéaire.

2. Méthodologie

Les auteurs proposent une approche basée sur l'analyse de Koopman appliquée à des trajectoires (segments de chemin) plutôt qu'à des états instantanés, combinée à l'utilisation d'un noyau de signature (signature kernel).

A. Représentation de l'état : Trajectoires Annuelles

Au lieu de traiter les champs SST mensuels comme des points isolés, la méthode représente chaque année comme un chemin continu $X_t$ dans un espace de dimension élevée.

• Les anomalies mensuelles de SST sont cumulées pour former un chemin piecewise-linear sur l'intervalle $[0, 1]$.
• L'opérateur dynamique modélisé est le décalage d'un an : $F(X_t) = X_{t+1}$.

B. Lifting par Noyau de Signature (Signature Kernel)

Pour gérer la non-linéarité tout en conservant une évolution linéaire, la méthode utilise la théorie de l'opérateur de Koopman, qui agit sur des observables (fonctions de l'état) plutôt que sur l'état lui-même.

• Signature de chemin : Les auteurs utilisent les signatures de chemin (Lyons), qui sont des collections de termes d'intégrales itérées ordonnées temporellement. Ces signatures capturent l'ordre temporel et les interactions entre les points de la trajectoire.
• Noyau de Signature : Pour éviter l'explosion combinatoire des caractéristiques explicites (surtout pour des champs SST haute dimension), ils utilisent un noyau de signature tronqué ($\kappa^{(n,\lambda)}_{sig}$). Ce noyau définit un Espace de Hilbert à Noyau Reproductible (RKHS) où les produits scalaires entre trajectoires sont calculés via des matrices de Gram, sans avoir à expliciter les vecteurs de caractéristiques de haute dimension.

C. Estimation de l'Opérateur : kEDMD

L'approximation de l'opérateur de Koopman est réalisée via la Décomposition Modale Étendue par Noyau (kEDMD).

• À partir des matrices de Gram (inter-trajets) et des matrices croisées (entre $X_t$ et $X_{t+1}$), un problème de valeurs propres généralisé est résolu.
• Cela permet d'estimer une matrice Koopman de dimension finie $K$ qui approxime l'évolution du système dans l'espace des observables.

D. Protocoles d'Évaluation Rigoureux

Pour garantir la validité des prévisions, deux protocoles strictement ordonnés dans le temps sont utilisés :

1. LFO (Leave-Future-Out) : Pour l'évaluation des compétences de prévision. À chaque date d'ancrage, le modèle est entraîné uniquement sur les données passées pour prédire les années futures.
2. LSO (Leave-s-Out) : Pour la sélection des hyperparamètres et l'analyse spectrale, en excluant des blocs de données pour éviter le surapprentissage.

3. Contributions Clés

1. Représentation par trajectoire pour la dynamique SST-only : La méthode contourne le problème de la non-markovianité en traitant l'historique annuel comme un objet d'état unique (un chemin), plutôt que d'utiliser des vecteurs de retard (Takens).
2. Apprentissage de Koopman tractable via Signature Kernel : L'utilisation du noyau de signature permet de capturer les interactions temporelles complexes et l'ordre des événements au sein d'une année, offrant une famille de fonctions d'observation riche et évolutive pour les champs géophysiques haute dimension.
3. Diagnostic spectral et prévision unifiés : Une seule matrice estimée permet à la fois des prévisions hors échantillon multi-annuelles et l'extraction de modes spectraux cohérents (valeurs propres, fonctions propres, modes de Koopman), contrairement aux réseaux de neurones qui nécessitent souvent un post-traitement complexe pour obtenir une interprétation spectrale.

4. Résultats

L'étude utilise les données ERSSTv5 (1854–2022) et compare la méthode proposée (SigK-EDMD) à une climatologie mensuelle et à une baseline utilisant un noyau "Somme de Paires" (SPK, qui ne respecte pas l'ordre temporel interne).

• Compétence de prévision (LFO) :
  • La méthode SigK-EDMD surpasse systématiquement la climatologie et la baseline SPK sur toutes les échéances (de 1 à 12 ans).
  • L'avantage est particulièrement marqué pour les prévisions à moyen et long terme (plusieurs années à décennales).
  • L'analyse spatiale montre des améliorations significatives en dehors du Pacifique tropical (Pacifique Nord, Atlantique, Océan Indien), là où la mémoire de la SST est cruciale.
• Diagnostic Spectral (LSO) :
  • Les valeurs propres extraites sont concentrées près du cercle unité, indiquant des modes oscillatoires persistants (faiblement amortis) sur des échelles interannuelles à décennales.
  • Modes identifiés : La méthode a réussi à extraire des structures spatiales correspondant à des phénomènes climatiques connus :
    • Un mode de ~20 ans ressemblant à l'extension Kuroshio-Oyashio (KOE).
    • Un mode de ~9 ans ressemblant à l'Oscillation Décennale du Pacifique (PDO).
    • Un mode de ~2,9 ans ressemblant à l'ENSO du Pacifique central (CP-ENSO).

5. Signification et Conclusion

Cet article démontre qu'il est possible de modéliser la dynamique complexe et non linéaire de la SST en utilisant uniquement des données de SST, en exploitant la structure temporelle via les signatures de chemin.

• Avance méthodologique : La combinaison de l'analyse de Koopman et des noyaux de signature offre un cadre rigoureux pour l'apprentissage de dynamiques non linéaires avec des garanties théoriques sur la linéarité de l'évolution dans l'espace des observables.
• Impact pratique : La méthode fournit un outil unique pour la prévision climatique et le diagnostic des modes de variabilité, surpassant les approches linéaires classiques et les modèles de type "boîte noire" (comme les réseaux de neurones) qui manquent souvent d'interprétabilité spectrale native.
• Limites et perspectives : Les auteurs notent que les données ERSSTv5 sont reconstruites statistiquement (surtout avant l'ère satellitaire), et que les modes extraits doivent être interprétés comme des caractéristiques de ce produit reconstruit. Néanmoins, la cohérence des motifs extraits avec la littérature climatique valide l'approche.

En résumé, cette étude propose un pipeline complet, de la prévision à l'analyse spectrale, pour la dynamique des océans, en surmontant les défis de la mémoire et de la non-linéarité grâce à une représentation géométrique des trajectoires temporelles.