Satellite-Based Estimation of Monthly Rainfall Across the Indonesian Archipelago: A Month-Specific Multiple Linear Regression Framework Using Bias-Corrected NASA POWER Data over Java, Bali, Nusa Tenggara, and Maluku

La pluie est le battement de cœur du monde tropical, une force variable qui dicte quand les cultures poussent, quand les rivières gonflent et quand la terre se transforme en boue. En Indonésie, un archipel de milliers d'îles s'étendant à travers l'équateur, ce rythme est gouverné par de massifs vents saisonniers qui déplacent l'humidité de l'océan Indien vers le continent australien. Pour les agriculteurs, les urbanistes et les intervenants en cas de catastrophe, savoir exactement quelle quantité de pluie tombera au cours d'un mois donné n'est pas seulement une question de curiosité ; c'est une nécessité pour la survie et la stabilité économique. Cependant, un problème persistant entrave depuis longtemps une planification précise : les stations météorologiques au sol qui mesurent cette pluie sont souvent éparses, et les archives historiques qu'elles conservent sont fréquemment incomplètes. Dans de nombreuses parties du pays, les données disponibles gratuitement s'arrêtent après seulement quelques années, laissant les scientifiques sans la perspective à long terme nécessaire pour comprendre les tendances climatiques ou pour calibrer des modèles de prédiction fiables. Sans ces archives profondes, la capacité de prévoir la disponibilité future de l'eau ou de se préparer aux inondations reste limitée.

Pour combler cette lacune, une équipe de chercheurs de plusieurs universités indonésiennes a tourné son attention vers le ciel, plus précisément vers un ensemble de données satellitaires qui offre un enregistrement continu et ininterrompu des conditions météorologiques. Leur objectif était de construire une nouvelle façon d'estimer la pluie mensuelle dans quatre régions distinctes de l'archipel indonésien : l'île de Java, densément peuplée, la petite île de Bali, les îles de Nusa Tenggara, sèches et saisonnières, et les îles de Maluku, dispersées et convectives. Au lieu de s'appuyer sur les enregistrements courts et fragmentés des stations au sol, ils ont utilisé un ensemble de données mondiales appelé NASA POWER, qui fournit un flux constant d'informations météorologiques dérivées de modèles atmosphériques et d'observations satellitaires. Cet ensemble de données comprend des variables telles que la température de l'air, l'humidité et la vitesse du vent, qui sont toutes physiquement liées à la formation des nuages et à la chute de la pluie. Les chercheurs ont émis l'hypothèse qu'en combinant ces lectures satellitaires à long terme avec les données au sol limitées disponibles, ils pourraient créer un modèle mathématique capable d'estimer la pluie avec une grande précision, même dans les zones où les stations météorologiques sont rares et espacées.

L'équipe s'est concentrée sur une méthode qui traite chaque mois de l'année comme un événement unique, reconnaissant que les forces qui génèrent la pluie en janvier sont fondamentalement différentes de celles de juillet. Ils ont recueilli des observations de précipitations provenant de 66 stations météorologiques officielles à travers les quatre régions et les ont confrontées aux données satellitaires pour la période comprise entre 2011 et 2026. Avant de construire leur outil de prédiction, ils ont d'abord corrigé les données satellitaires pour s'assurer qu'elles s'alignaient sur la réalité mesurée au sol, un processus semblable à l'accordage d'une radio pour éliminer les parasites afin que le signal passe clairement. Une fois les données satellitaires ajustées, ils ont utilisé une approche statistique pour trouver la relation entre les mesures satellitaires de la température, de l'humidité et du vent, et la pluie réelle enregistrée par les stations. Comme l'influence de ces facteurs météorologiques change selon les saisons, ils n'ont pas créé une formule unique pour toute l'année. Au lieu de cela, ils ont développé douze ensembles de règles distincts, un pour chaque mois, permettant au modèle de s'adapter aux changements de mousson.

Les résultats de cet effort ont été encourageants. Le modèle s'est révélé capable d'estimer la pluie mensuelle dans les quatre régions avec un niveau de précision que les chercheurs ont décrit comme bon. Dans la région de Bali, les prédictions du modèle correspondaient aux modèles de précipitations observés avec une corrélation de 0,73, ce qui signifie que les valeurs estimées augmentaient et diminuaient de concert avec les mesures réelles. La région de Nusa Tenggara a montré une force similaire, avec une corrélation de 0,70. Même à Java, qui abrite des environnements urbains complexes et des terrains variés pouvant rendre la pluie difficile à prédire, le modèle a atteint une corrélation de 0,65. Plus significatif encore, le modèle a bien performé dans les régions de l'est, Maluku et Nusa Tenggara, où les observations au sol sont rares. Dans ces zones, le modèle a réussi à capturer les tendances générales des précipitations, suggérant que les données satellitaires, une fois corrigées, peuvent servir de substitut fiable aux enregistrements au sol à long terme.

Un examen plus approfondi des résultats a révélé comment les différents facteurs météorologiques ont influencé les prédictions. À travers toutes les régions, l'humidité est apparue comme le moteur le plus constant de la pluie ; lorsque l'air était plus humide, le modèle prédisait correctement plus de pluie. La température de l'air a également joué un rôle majeur, bien que son effet varie selon la saison et la localisation. La vitesse du vent a montré un schéma distinct, agissant souvent comme un suppresseur de pluie pendant la saison de la mousson sèche, particulièrement dans les îles orientales où l'air sec provenant de l'Australie balaie l'archipel. Les chercheurs ont noté que si le modèle fonctionnait bien pour les totaux mensuels globaux, il rencontrait des difficultés pour capturer les rafales de pluie localisées et extrêmes qui se produisent dans les centres urbains de Java ou lors des tempêtes hautement convectives des îles Maluku. Ces zones impliquent des interactions complexes entre la terre, la mer et l'atmosphère que un simple modèle linéaire ne peut pleinement résoudre. Néanmoins, la performance globale a confirmé que l'approche est viable pour la planification régionale.

L'étude conclut que cette méthode offre une solution pratique et à faible coût pour un pays confronté à des lacunes de données. En utilisant l'enregistrement long et continu de NASA POWER et en le corrigeant avec les meilleures données au sol disponibles, les scientifiques et les décideurs peuvent désormais générer des estimations mensuelles de pluie fiables pour des régions qui étaient auparavant difficiles à analyser. Cette capacité est cruciale pour la gestion des ressources en eau, la conception de défenses contre les inondations et la planification des cycles agricoles dans un climat changeant. Les chercheurs soulignent que, bien que leur modèle ne soit pas une boule de cristal parfaite, il fournit une base solide pour une prise de décision fondée sur des preuves. Ils suggèrent que les travaux futurs pourraient affiner ces estimations en incorporant des moteurs climatiques plus complexes et en testant l'approche contre des techniques d'apprentissage automatique avancées, mais pour l'instant, l'étude démontre qu'un cadre statistique transparent, mois par mois, peut efficacement éclairer les modèles de précipitations de l'archipel indonésien.