Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction

Résumé technique : Fusion temporelle multi-échelle pour la prévision de température à l'échelle sous-saisonnière à saisonnière

Énoncé du problème
La prévision de température à l'échelle sous-saisonnière à saisonnière (S2S) (30–90 jours) comble une lacune critique entre la prévision météorologique à moyen terme et les perspectives saisonnières. Bien qu'essentielle pour l'agriculture, la planification énergétique et la gestion des risques, la fiabilité des prévisions dans cette fenêtre temporelle est limitée. La compréhension actuelle attribue souvent la dégradation des compétences principalement à l'échéance de prévision (un déclin monotone), ce qui ne parvient pas à expliquer pleinement les motifs spatio-temporels complexes de la prévisibilité. Le défi réside dans le pont entre la dégradation rapide des signaux liés aux conditions initiales et l'émergence lente des signaux forcés par les limites, tout en tenant compte de l'hétérogénéité saisonnière et régionale.

Méthodologie
Les auteurs proposent un Cadre de fusion temporelle multi-échelle conçu pour séparer et recombiner explicitement les composantes temporelles distinctes des données climatiques. L'architecture (Fig. 1) se compose des modules clés suivants :

1. Générateurs doubles (Décomposition temporelle) :

   • Contexte interannuel : Une branche traitant des données climatiques historiques alignées sur le calendrier (même jour de l'année au cours des années précédentes) pour capturer les motifs à long terme et de basse fréquence.
   • Dynamiques récentes : Une branche traitant des états météorologiques récents correspondant à l'échéance pour capturer l'évolution à court terme.
   • Ces branches sont mises en œuvre sous forme de réseaux encodeur-décodeur de type U-Net parallèles avec des connexions résiduelles.

2. Fusion temporelle adaptative spatialement :

   • Au lieu d'un pondération fixe, le modèle prédit une carte de poids de fusion résolue spatialement ($\lambda$).
   • Cette carte $\lambda$ module dynamiquement la contribution du contexte interannuel par rapport aux dynamiques récentes à chaque point de grille.
   • La fusion est conditionnée par les champs d'entrée mais ne prend pas l'échéance ($\tau$) comme entrée directe explicite, permettant au modèle d'apprendre comment le pondération temporelle évolue en fonction des régimes saisonniers et de la difficulté géographique plutôt que de la simple longueur de l'horizon.

3. Raffinement conditionné par l'échéance :

   • Un réseau de raffinement résiduel traite la sortie fusionnée.
   • L'échéance normalisée ($\tau$) est encodée sous forme d'une carte de conditionnement injectée dans les couches intermédiaires, permettant au réseau d'ajuster les corrections en fonction de l'horizon de prévision sans altérer le mécanisme de fusion principal.

4. Contraintes structurelles conscientes de la topologie :

   • Pour résoudre les artefacts spatiaux et améliorer la cohérence, le modèle intègre des descripteurs topologiques (types de points critiques, grandeurs scalaires, contours de niveau de selle) en tant que canaux d'entrée auxiliaires.
   • Une fonction de perte de cohérence est appliquée pendant l'entraînement pour préserver l'organisation spatiale à grande échelle, en particulier sur les terrains complexes.

5. Entraînement et données :

   • Données : Température moyenne quotidienne de l'air à 2 mètres issue de la réanalyse ERA5 sur les États-Unis continentaux (CONUS) de 2010 à 2024 (2010–2019 pour l'entraînement, 2020–2024 pour les tests).
   • Objectif : Une fonction de perte composite combinant la reconstruction au niveau des pixels, la similarité structurelle, la cohérence adversariale et la régularisation topologique (activée après une période de préchauffage).

Résultats clés

• Efficacité du multi-échelle : Le modèle de fusion multi-échelle surpasse systématiquement les variantes mono-échelle (reposant uniquement sur l'historique ou les dynamiques récentes) en termes d'erreur quadratique moyenne (RMSE) et de corrélation spatiale sur la fenêtre de 30 à 90 jours (Fig. 2B).
• Dominance saisonnière vs échéance : Les erreurs de prévision présentent une organisation saisonnière prononcée. Les erreurs hivernales (DJF) sont significativement plus grandes et plus hétérogènes spatialement que les erreurs estivales (JJA). Le contraste saisonnier dans l'amplitude des erreurs dépasse la variation causée par l'échéance au sein d'une même saison (Fig. 3).
• Poids de fusion adaptatifs ($\lambda$) :
  • Hiver : Le modèle apprend à attribuer des poids plus élevés au contexte interannuel ($\lambda \to 1$) dans les régions de haute latitude et de terrain complexe où la prévisibilité est la plus faible.
  • Été : Les poids sont plus équilibrés ($\lambda \approx 0,5$) sur tout le domaine.
  • Dépendance au régime : En hiver, $\lambda$ augmente de manière monotone avec le RMSE local, indiquant que le modèle s'appuie davantage sur le contexte historique lorsque les dynamiques récentes sont peu fiables. En été, $\lambda$ est stable à travers les classes d'erreur. Crucialement, $\lambda$ ne varie pas systématiquement avec l'échéance, suggérant que le régime saisonnier et la difficulté locale pilotent la stratégie de fusion plus que l'horizon de prévision lui-même (Fig. 4).
• Améliorations conscientes de la topologie : L'intégration de contraintes topologiques réduit le RMSE et élimine les artefacts alignés sur la grille observés dans les modèles de référence non topologiques. Elle améliore la cohérence des motifs à grande échelle et des gradients régionaux, en particulier sur les terrains complexes (Fig. 5).
• Étalonnage : Le modèle démontre des performances comparables au modèle fondamental stochastique externe Swift (jusqu'à 75 jours) tout en maintenant un comportement d'erreur stable sur toute la fenêtre de 30 à 90 jours (Fig. 2C).

Signification et revendications
L'article reformule la prévisibilité S2S non pas comme une simple fonction de l'échéance déclinante, mais comme un phénomène structuré et multi-échelle piloté par l'interplay des composantes temporelles, de l'hétérogénéité spatiale et de la cohérence des motifs.

• Prévisibilité structurée : Les auteurs définissent la « prévisibilité structurée » comme la représentation explicite de la décomposition temporelle (interannuelle vs récente), de l'hétérogénéité spatiale (pondération dépendante de la région) et de la cohérence géométrique (contraintes topologiques).
• Interprétabilité : Les poids de fusion appris ($\lambda$) fournissent un indicateur interprétable de quand et où le contexte climatique interannuel offre un avantage stabilisateur par rapport à l'évolution météorologique récente. Cela révèle que le modèle s'adapte aux défis physiques (par exemple, l'instabilité barocline en hiver) en déplaçant son reliance vers des références historiques.
• Utilité pratique : Le cadre offre un mécanisme pour stabiliser les prévisions dans des régimes difficiles (hiver, terrains complexes) sans sacrifier les performances dans des régimes plus prévisibles. En allant au-delà de la modélisation uniforme basée sur l'horizon, l'approche fournit une base pour des systèmes de prévision S2S plus interprétables et robustes.

Les auteurs notent des limites, notamment l'absence de quantification explicite des liens avec des modes climatiques spécifiques (par exemple, l'Oscillation de Madden-Julian), la rareté des références publiques pour la fenêtre complète de 30 à 90 jours, et l'accent actuel mis sur une seule variable (température) et un domaine régional. Ils suggèrent que des travaux futurs pourraient étendre cela à la modélisation du système terrestre multi-variables et à des liens explicites avec les motifs de téléconnexion.