A mathematical framework for dynamic emergent constraints in climate science

Cet article établit un cadre mathématique rigoureux pour les contraintes émergentes dynamiques en sciences du climat en utilisant la théorie de la réponse linéaire, introduisant des « contraintes émergentes dynamiques intégrales » qui relient les réponses de différents observables à un même forçage via une convolution et une fonction de Green de substitution, et valide cette approche en utilisant des simulations de réchauffement climatique du modèle MPI-ESM.

L'essentiel

Imaginez le système climatique de la Terre comme un orchestre géant et complexe. Lorsqu'un chef d'orchestre (comme une augmentation soudaine du dioxyde de carbone) agite sa baguette, chaque instrument (température, pluie, courants océaniques) réagit. Mais les instruments ne réagissent pas tous à la même vitesse ni de la même manière. Certains commencent à jouer immédiatement, tandis que d'autres mettent des années à trouver leur rythme.

Pendant des décennies, les climatologues ont tenté de prédire la sonorité de l'orchestre entier dans le futur en observant comment des instruments spécifiques se comportent aujourd'hui. Ils recherchent des « contraintes émergentes » — des règles simples qui disent : « Si l'Instrument A change de X, alors l'Instrument B changera de Y ».

Cet article, écrit par Francesco Ragone et Valerio Lucarini, introduit une nouvelle façon plus sophistiquée de trouver ces règles. Ils soutiennent que l'ancienne méthode, consistant à chercher des connexions simples et instantanées, est souvent trop rigide. Au lieu de cela, ils proposent une approche de « voyage dans le temps » qui tient compte de l'histoire des instruments.

Voici une décomposition de leurs découvertes utilisant des analogies de la vie quotidienne :

1. L'ancienne méthode vs La nouvelle méthode

L'ancienne méthode (Instantanés) :
Imaginez essayer de deviner comment un ami se sentira demain en regardant simplement son visage en ce moment même. Vous pourriez dire : « S'il sourit maintenant, il sera heureux dans une heure ». C'est ce que les scientifiques faisaient auparavant : ils cherchaient un lien direct et instantané entre deux choses (comme la température et la pluie).

La nouvelle méthode (Le film) :
Les auteurs disent : « Cela ne suffit pas ». Pour savoir comment un ami se sentira demain, vous devez savoir ce qui lui est arrivé tout au long de la journée. A-t-il bien déjeuné ? A-t-il reçu une mauvaise nouvelle il y a une heure ?
En termes climatiques, la nouvelle méthode (appelée Contraintes Émergentes Dynamiques Intégrales) dit : pour prédire comment la pluie va changer dans le futur, vous ne pouvez pas simplement regarder la température à cet instant précis. Vous devez regarder l'histoire entière des changements de température menant à ce moment.

2. Le « Proxy » et la « Fonction de Green »

L'article utilise un concept appelé Fonction de Green de Proxy. Considérez cela comme un « traducteur » ou un « livre de recettes ».

• Le Prédicteur : C'est l'instrument que nous pouvons mesurer facilement (comme la température mondiale).
• Le Préditand : C'est l'instrument que nous voulons prédire (comme la pluie ou les courants océaniques).
• Le Traducteur : C'est la règle mathématique qui nous dit comment transformer l'histoire du Prédicteur en le futur du Préditand.

Les auteurs ont découvert que ce « traducteur » fonctionne comme une convolution. Imaginez que vous préparez un smoothie. Le goût final (la pluie) n'est pas seulement le résultat du fruit que vous ajoutez en ce moment ; c'est le résultat du mélange de tous les fruits que vous avez ajoutés au cours des dernières minutes. Le « traducteur » vous indique exactement quel poids accorder au fruit ajouté il y a 10 minutes par rapport à celui ajouté il y a 1 minute.

3. Le secret du « Filtre Temporel »

La découverte la plus surprenante de l'article concerne les échelles de temps.

Imaginez que vous écoutiez une pièce bruyante. Si vous écoutez chaque seconde de bruit (haute résolution), la connexion entre deux personnes qui parlent peut sembler chaotique et impossible à prédire. Cependant, si vous mettez un casque à réduction de bruit qui ne laisse entendre que le son « moyen » sur 10 ou 20 ans (basse résolution), un motif clair émerge.

Les auteurs ont découvert que :

• À des échelles de temps courtes (1 an) : La connexion entre la température et la pluie (ou les courants océaniques) est désordonnée et « non causale ». C'est comme essayer de prédire la météo en se basant sur un seul éternuement. Les mathématiques s'effondrent car le « traducteur » a besoin de connaître le futur pour expliquer le présent, ce qui est impossible.
• À des échelles de temps longues (10 à 30 ans) : Lorsque vous lissez les données et que vous regardez la « vue d'ensemble », la connexion devient causale. L'histoire de la température prédit de manière fiable l'histoire de la pluie. Le « traducteur » fonctionne parfaitement.

4. La rue à sens unique

L'article souligne également que ces relations sont souvent des rues à sens unique.

• Température $\rightarrow$ Pluie : Si vous connaissez l'histoire de la température mondiale, vous pouvez prédire la pluie très bien (une fois que vous regardez sur une échelle de plus de 10 ans).
• Pluie $\rightarrow$ Température : Cependant, connaître l'histoire de la pluie n'aide pas à prédire la température. Le « traducteur » ne fonctionne que dans un sens.

C'est comme savoir qu'une forte averse (Pluie) est causée par une journée chaude (Température), mais savoir qu'il a plu ne vous dit pas quelle température il faisait hier. L'article montre que pour certaines paires de variables climatiques, le « traducteur » n'existe que dans une seule direction, et seulement si l'on observe les données sur des périodes suffisamment longues.

5. L'exemple de l'AMOC

Les auteurs ont testé cela sur l'AMOC (le tapis roulant de l'océan Atlantique).

• Ils ont constaté que la température mondiale est un excellent prédicteur pour le courant océanique, mais seulement si l'on observe les données sur des décennies.
• En revanche, le courant océanique est un très mauvais prédicteur pour la température, peu importe le temps que l'on attend. Le courant océanique réagit lentement et possède ses propres délais internes complexes qui ne se traduisent pas proprement en retour vers le signal de température.

Résumé

L'article ne prétend pas avoir résolu le changement climatique, mais il a construit une meilleure boîte à outils mathématique pour le comprendre.

• Le Problème : Les anciennes méthodes tentaient de trouver des liens instantanés entre les variables climatiques, ce qui échouait souvent.
• La Solution : Utiliser une approche « basée sur l'histoire » qui observe comment les variables changent au fil du temps.
• Le Piège : Cela ne fonctionne que si l'on regarde les données sur des périodes suffisamment longues (comme 10 à 30 ans). Si l'on regarde de trop près (année par année), les règles disparaissent.
• Le Résultat : Cela donne aux scientifiques un moyen rigoureux de dire : « Oui, nous pouvons utiliser l'histoire de la température pour prédire l'histoire de la pluie, mais seulement si nous lissons les données et que nous regardons les tendances à long terme ».

En bref, l'article nous enseigne que pour comprendre le futur du climat, nous devons cesser de regarder des instantanés et commencer à regarder le film, en prêtant attention aux rebondissements qui se produisent sur des décennies, et non pas seulement sur des jours.

Résumé technique

Résumé Technique : Un Cadre Mathématique pour les Contraintes Émergentes Dynamiques en Science du Climat

Énoncé du Problème
Les projections climatiques sont intrinsèquement caractérisées par des incertitudes découlant des scénarios, de la physique des modèles et de la variabilité interne. Les « contraintes émergentes » ont été proposées comme une méthode pour réduire ces incertitudes en établissant des relations empiriques entre la réponse d'une variable cible (le prédicand) à un forçage et les propriétés d'une autre variable (le prédicteur). Alors que les contraintes émergentes statiques relient la réponse du prédicand aux statistiques non perturbées du prédicteur, les contraintes émergentes dynamiques relient les réponses des deux variables au même forçage au cours du temps.

Malgré leur utilité, une théorie mathématique rigoureuse pour les contraintes émergentes dynamiques fait défaut. Plus précisément, il n'existe pas de cadre complet définissant :

1. Sous quelles conditions une paire prédicteur-prédicand spécifique peut être liée.
2. L'expression mathématique précise régissant le lien entre leurs réponses.
3. Le rôle de la causalité et des échelles de temps dans la validation de ces relations.

Les tentatives précédentes ont lié ces contraintes à la théorie de la réponse linéaire et aux relations de dissipation-fluctuation, mais une théorie généralisée capable de gérer l'historique temporel des réponses et les dépendances non instantanées n'a pas été pleinement développée.

Méthodologie
Les auteurs développent un cadre mathématique basé sur la théorie de la réponse linéaire et des résultats récents concernant les formules de réponse par procuration (proxy). L'approche centrale consiste en :

1. Formulation Théorique :

   • Le système climatique est modélisé comme un système dynamique stochastique soumis à un forçage externe.
   • La réponse d'une observable $\Phi$ à un forçage $f(t)$ est exprimée via une fonction de Green linéaire $G_\Phi(t)$.
   • Les auteurs dérivent une formule de réponse par procuration reliant la réponse d'un prédicand $\Phi_1$ à la réponse d'un prédicteur $\Phi_2$ via une fonction de Green par procuration $G_{\Phi_1\Phi_2}(t)$. Cette fonction est la transformée de Fourier inverse du rapport de leurs susceptibilités ($\chi_{\Phi_1}/\chi_{\Phi_2}$).
   • Ils distinguent les contraintes émergentes dynamiques instantanées (où $G_{\Phi_1\Phi_2}$ approxime une fonction de Dirac) et les contraintes émergentes dynamiques intégrales (où la réponse est une convolution de l'historique du prédicteur et de la fonction de Green par procuration).
   • Une condition critique pour l'existence de ces contraintes est la causalité de la fonction de Green par procuration. Si $G_{\Phi_1\Phi_2}(t)$ est non causale (non nulle pour $t<0$), la réponse du prédicand ne peut pas être reconstruite à partir de l'historique passé du prédicteur seul.

2. Indice de Causalité et Coarse-Graining Temporel :

   • Un indice de causalité ($C_{\Phi_1\Phi_2}$) est défini pour quantifier le degré de causalité, mesurant le rapport entre la partie non causale de la fonction de Green par procuration et sa partie causale.
   • Les auteurs émettent l'hypothèse que la causalité de la fonction de Green par procuration dépend de l'échelle de coarse-graining temporel ($\tau$) à laquelle les données sont observées. Les singularités dans la susceptibilité par procuration (qui causent la non-causalité) peuvent être filtrées si l'échelle de temps d'observation est suffisamment grossière.

3. Application Numérique :

   • Le cadre est appliqué à des simulations utilisant la version à basse résolution du MPI-ESM v.1.24 (Max Planck Institute Earth System Model).
   • Deux scénarios de forçage sont utilisés : un doublement brutal du CO2 (H2) et une rampe de CO2 de 1 % par an (R2).
   • Les observables incluent la température de surface globale ($T_s$), les précipitations mondiales ($P$, divisées en précipitations convectives $P_c$ et de grande échelle $P_l$), et l'indice de la circulation méridienne de retournement de l'Atlantique (AMOC, $M$).
   • Les fonctions de Green par procuration sont calculées à partir de l'ensemble H2 et utilisées pour prédire la réponse R2 via convolution, testant la validité des contraintes à différentes échelles de coarse-graining (1 à 80 ans).

Contributions Clés

• Généralisation des Contraintes Dynamiques : L'article formalise les « contraintes émergentes dynamiques intégrales », montrant que les contraintes instantanées traditionnelles sont un cas particulier (limite de la fonction de Dirac) d'une relation de convolution plus générale.
• La Causalité comme Prérequis : Les auteurs établissent que l'existence d'une contrainte émergente dynamique est contingente sur la causalité de la fonction de Green par procuration. Si la fonction est non causale, l'historique passé du prédicteur est insuffisant pour déterminer l'état futur du prédicand.
• Dépendance à l'Échelle de Temps : L'étude démontre que la causalité n'est pas une propriété intrinsèque du couple de variables seul, mais dépend de l'échelle de temps d'observation. Le coarse-graining des données peut filtrer les singularités à haute fréquence de la susceptibilité par procuration, imposant ainsi la causalité et permettant l'émergence de contraintes valides.
• Asymétrie : Le cadre met en évidence l'asymétrie inhérente de ces relations ; une variable peut servir de prédicteur causal valide pour une autre uniquement à des échelles de temps spécifiques, et l'inverse peut ne pas être vrai.

Résultats

• Température et Précipitations :
  • Aux échelles de temps annuelles ($\tau=1$), la fonction de Green par procuration est largement non causale, et les prédictions échouent.
  • À mesure que l'échelle de coarse-graining augmente, la causalité s'améliore. Pour $T_s$ prédisant $P$, une relation causale émerge à $\tau \approx 10$ ans. Pour $P$ prédisant $T_s$, une échelle plus élevée ($\tau \approx 20$ ans) est requise.
  • Aux échelles décennales et multidécennales ($\tau \ge 30$ ans), l'indice de causalité approche 1 dans les deux directions, suggérant que les contraintes instantanées peuvent devenir valides à mesure que le système se thermalise.
• Température et AMOC :
  • $T_s$ agit comme un prédicteur causal pour l'AMOC ($M$) à des échelles de temps $\tau > 10$ ans. La fonction de Green par procuration est causale, reflétant le mécanisme physique où le réchauffement entraîne l'affaiblissement de l'AMOC et sa récupération subséquente.
  • Inversement, l'AMOC ($M$) ne constitue jamais un prédicteur causal pour $T_s$, quelle que soit l'échelle de coarse-graining. La fonction de Green par procuration reste non causale (avec des décalages temporels négatifs importants), indiquant que l'historique de la réponse de l'AMOC ne contient pas suffisamment d'informations pour reconstruire la réponse de la température.
• Analyse Spectrale : La non-causalité est liée aux singularités dans la susceptibilité par procuration (zéros de la susceptibilité du prédicteur non correspondus par celle du prédicand). Le coarse-graining agit comme un filtre passe-bas, supprimant ces singularités de la plage de fréquences observable, rétablissant ainsi la causalité.

Signification et Revendications
Les auteurs affirment placer la théorie des contraintes émergentes dynamiques sur un « terrain mathématique solide ». La principale importance réside dans la fourniture d'un protocole pour identifier les conditions nécessaires à l'existence de telles relations dans les données climatiques.

• Au-delà des Relations Instantanées : L'article soutient que de nombreuses contraintes émergentes « spécieuses » ou défaillantes dans la littérature résultent de la recherche de relations instantanées là où seules des relations intégrales (dépendantes de l'historique) existent, ou lorsque l'échelle de temps d'observation est trop fine pour satisfaire la causalité.
• Universalité des Prédicteurs : L'analyse suggère que les bons prédicteurs (comme la température moyenne mondiale à des échelles décennales) sont « universellement bons » pour divers prédicands car ils servent de substituts efficaces à l'impact du forçage externe sur les propriétés macroscopiques du système.
• Causalité vs Corrélation : Le cadre distingue la corrélation statistique de la forme spécifique de causalité requise pour la prédiction (causalité de Granger dans le contexte de la théorie de la réponse). Il clarifie que si une fonction de Green par procuration causale permet la prédiction, elle n'implique pas nécessairement un lien physique causal direct (causalité de Pearl) entre les variables, car les deux sont pilotées par un forçage externe commun à travers des réseaux de rétroactions complexes.
• Implication Pratique : Les résultats suggèrent que la validité des contraintes émergentes n'est pas absolue mais conditionnelle à la résolution temporelle des données. Cela offre une explication théorique à la raison pour laquelle certaines contraintes fonctionnent à certaines échelles (par exemple, les échelles de climatologie de 30 ans) mais échouent à d'autres.

L'article conclut que bien que la méthodologie ne soit pas une « solution miracle » applicable à tous les cas, elle fournit un cadre rigoureux et testable pour valider les contraintes émergentes dynamiques et comprendre les limites de la prédictibilité dans les systèmes climatiques.