Data-Driven Spatial Weight Matrices for Space-Time Autoregressive Models: A Similarity-Based Framework with an Application to Global Temperature Dynamics

Imaginez que vous essayiez de prédire comment une foule de personnes se déplacera dans un centre commercial géant et chaotique. La vieille méthode pour deviner leur trajectoire consiste à regarder une carte et à supposer que les gens ne font que heurter ou suivre ceux qui se trouvent juste à côté d'eux. Si vous êtes dans un magasin de chaussures, vous ne vous souciez que des personnes du magasin de vêtements voisin. C'est ainsi que les scientifiques étudient traditionnellement les phénomènes mondiaux, comme la météo ou les maladies. Ils tracent des lignes sur une carte et disent : « Si vous êtes voisins, vous êtes connectés. »

Mais et si cette carte vous mentait ? Et si la personne dans le magasin de chaussures était en train de danser en parfaite harmonie avec quelqu'un dans la boulangerie trois étages plus haut, tout en ignorant la personne juste à côté d'elle ? Dans le monde de la science des données, c'est la différence entre les « voisins géographiques » (des personnes proches dans l'espace) et les « voisins statistiques » (des personnes qui agissent de la même manière au fil du temps). Pendant des décennies, les chercheurs ont supposé que le fait d'être proche sur une carte signifiait que l'on s'influençait mutuellement. Mais parfois, la véritable connexion ne dépend pas de la distance qui nous sépare, mais de la similitude de notre histoire. Cet article explore cette idée, en posant une question simple : si nous arrêtons de regarder la carte pour commencer à regarder le comportement, pouvons-nous prédire l'avenir de notre planète bien mieux ?

---

La Carte vs Le Miroir : Une nouvelle façon de voir le monde

Pendant longtemps, les scientifiques étudiant la température de la Terre ont utilisé un outil appelé « matrice de pondération spatiale ». Voyez cela comme un immense carnet de règles qui dit à un ordinateur à quel point un pays doit écouter un autre. Le carnet de règles traditionnel est très rigide : il dit : « Vous n'écoutez que vos voisins immédiats. » Si la France est à côté de l'Allemagne, elles communiquent. Si la France est loin du Japon, elles sont étrangères. C'est comme supposer que vous n'apprenez que de la part des gens assis à votre table de déjeuner, et jamais de votre YouTubeur préféré de l'autre côté du monde.

L'auteur de ce document, Edoardo Otranto, suggère que ce vieux carnet de règles passe à côté de l'essentiel. Il soutient que les pays bougent souvent de concert non pas parce qu'ils sont voisins, mais parce qu'ils partagent des « personnalités » similaires dans la façon dont leurs températures changent. Peut-être qu'un pays en Europe et un pays en Asie chauffent tous deux à la même vitesse chaque année, même s'ils sont séparés par des océans. Si nous les traitons comme des voisins en raison de leur comportement, nos prédictions devraient devenir beaucoup plus précises.

L'Expérience : Regrouper le monde par « Vibe »

Pour tester cela, le chercheur a rassemblé un ensemble de données massif : 122 ans d'enregistrements de température (de 1901 à 2022) pour 168 pays. Cela représente plus de 20 000 points de données ! Au lieu de regrouper les pays selon l'endroit où ils vivent sur une carte, il les a regroupés selon la façon dont ils agissent. Il a utilisé trois différents « tests de vibe » pour voir quels pays étaient similaires :

1. Le Test de Vitesse (Taux de réchauffement) : Il a observé la vitesse à laquelle chaque pays se réchauffe. Est-ce une montée lente et douce, ou un pic rapide ? Il a découvert que les pays ayant des vitesses de réchauffement similaires finissaient souvent dans le même groupe, indépendamment de leur voisinage géographique. Par exemple, la Russie et le Japon se sont révélés être des réchauffeurs à vitesse « très élevée », tandis que la Bolivie était presque plate.
2. Le Test des Montagnes Russes (Variations de température) : Cela examinait les hauts et les bas annuels. Les températures font-elles des bonds sauvages ou sont-elles fluides ? Il a trouvé que les pays du Moyen-Orient et d'Asie centrale partageaient souvent des modèles « accidentés » similaires, tandis qu'un groupe massif et mixte d'autres pays partageait un modèle « fluide ».
3. Le Test de l'Humeur (Modèles de persistance) : C'était le plus ingénieux. Au lieu de regarder combien la température a changé, il a simplement regardé la direction. Est-ce qu'elle est montée ou descendue cette année ? Il a utilisé un outil mathématique spécial appelé « distance de Hamming » (conçu à l'origine pour corriger les erreurs dans les codes informatiques) pour compter combien de fois deux pays étaient en désaccord sur le fait de devenir plus chauds ou plus froids. Si deux pays sont généralement d'accord sur la direction du changement, ils sont des « voisins statistiques ».

La Grande Révélation : La Carte se trompait

Une fois ces nouveaux groupes constitués, il a construit un nouveau type de modèle informatique appelé modèle Auto-régressif Espace-Temps (STAR). Ce modèle est comme un moteur de super-prévision qui tente de prédire la température de l'année prochaine en fonction de ce qui s'est passé cette année et de ce qui s'est passé pour ses « voisins ».

Il a lancé deux courses :

• Course A : L'ancien modèle, qui n'écoute que les voisins géographiques (le carnet de règles basé sur la carte).
• Course B : Les nouveaux modèles, qui écoutent les « voisins statistiques » (les carnets de règles basés sur la vibe).

Les résultats étaient clairs. Les nouveaux modèles, en particulier celui utilisant le « Test de l'Humeur » (distance de Hamming), étaient bien meilleurs pour prédire les températures. Lorsque les chercheurs ont testé ces modèles sur des données de 2001 à 2022 (que les modèles n'avaient pas encore vues auparavant), le modèle du « Test de l'Humeur » a commis le moins d'erreurs. Il a battu l'ancien modèle basé sur la carte par une marge significative.

Pourquoi cela compte

L'article suggère que pour les tendances à long terme comme le changement climatique, la géographie n'est pas le meilleur prédicteur de qui influence qui. Les courants atmosphériques massifs et les modèles océaniques peuvent faire danser des pays lointains sur le même rythme, tandis que des voisins peuvent faire leur propre vie. En construissant une « liste d'amis » basée sur le comportement réel plutôt que sur la simple distance cartographique, les scientifiques peuvent construire de meilleurs outils pour prévoir notre futur climat.

L'auteur précise avec prudence qu'il ne s'agit pas seulement d'une astuce ponctuelle pour la température. Cette approche basée sur la « similitude » est une stratégie générale. Elle pourrait être utilisée pour prédire la propagation des maladies, les krachs économiques ou les mouvements de tendances sociales, chaque fois que les personnes ou les lieux impliqués sont connectés par leur comportement plutôt que par leur simple localisation. L'article ne prétend pas avoir résolu le changement climatique, mais il suggère que si nous voulons comprendre le monde, nous devons arrêter de regarder la carte et commencer à écouter le rythme.