A comparative evaluation of Bayesian inference, fuzzy time series, and adaptive neuro-fuzzy inference systems for predicting the intensity of concurrent drought-pluvial events
Cette étude évalue l'inférence bayésienne, les séries temporelles floues et les systèmes d'inférence neuro-flous adaptatifs pour prédire l'intensité des événements concomitants de sécheresse et de pluviométrie à l'aide de prédicteurs synoptiques, constatant qu'aucun des modèles ne surpasse les références simples de persistance ou de climatologie en raison de leur incapacité à capturer la distribution bimodale des événements, concluant finalement que l'intensité des CDPE n'est que faiblement prévisible à partir des états synoptiques mensuels contemporains.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La météo est rarement uniforme à l'échelle d'un continent. Tandis qu'une partie du pays cuit sous une vague de chaleur, une autre peut être noyée sous la pluie. Parfois, ces extrêmes se produisent simultanément, créant un motif étrange et puissant où une sécheresse sévère côtoie directement une inondation sévère au cours du même mois. Les scientifiques appellent cela un événement concomitant de sécheresse-pluviosité. C'est un séisme spatial, un dipôle sec-humide qui s'étend à travers les États-Unis, piloté par des changements complexes dans l'atmosphère. Comprendre comment ces événements se forment et savoir si nous pouvons prédire leur intensité est crucial pour la gestion des ressources en eau et la préparation aux catastrophes. Cependant, l'atmosphère est un système chaotique, et prévoir ces extrêmes spécifiques et simultanés s'est avéré difficile. Les chercheurs se tournent souvent vers des modèles informatiques avancés pour trouver des motifs dans le chaos, espérant distinguer le signal du bruit. La question demeure : les outils statistiques modernes peuvent-ils réellement prévoir l'intensité de ces extrêmes opposés, ou sont-ils simplement trop imprévisibles ?
Un chercheur a entrepris de tester cette question en soumettant trois types différents de modèles informatiques à l'épreuve. Il s'est concentré sur cinquante-deux de ces événements sec-humide survenus à travers les États-Unis contigus. Pour mesurer l'intensité de chaque événement, il a examiné la différence entre l'endroit le plus sec et l'endroit le plus humide, en utilisant un score standard qui tient compte à la fois de la pluie et de la quantité d'eau qui s'évapore du sol. Le chercheur a alimenté chaque modèle avec un ensemble de sept indices atmosphériques, incluant la température de l'air, l'humidité, la direction du vent et la vitesse du vent, tirés de deux bases de données météorologiques mondiales différentes. Il a testé les modèles à trois hauteurs différentes dans l'atmosphère, de la surface jusqu'au bas de l'atmosphère, pour voir si la source de données ou l'altitude modifiait les résultats. L'objectif était simple : ces modèles pouvaient-ils prédire l'intensité du contraste sec-humide pour un mois donné mieux qu'en se contentant de deviner la moyenne ou en supposant que la météo resterait identique au mois précédent ?
Les résultats furent accablants. Aucun des trois modèles, quels que soient les données utilisées ou la hauteur observée, ne parvint à surpasser de manière fiable les conjectures les plus simples. En fait, le prédicteur le plus efficace n'était pas un algorithme complexe, mais une hypothèse de base selon laquelle la météo ressemblerait beaucoup à celle du mois précédent. Lorsque le chercheur a comparé les prédictions des modèles aux événements réels, il a constaté que les méthodes les plus sophistiquées ne parvenaient pas à capturer la véritable nature du phénomène. Deux des modèles, qui reposent sur les probabilités et les réseaux de neurones, avaient tendance à jouer la prudence. Au lieu de prédire les conditions extrêmement sèches ou extrêmement humides qui se sont réellement produites, ils prédisaient systématiquement des valeurs proches de la moyenne, lissant ainsi les extrêmes mêmes qu'ils étaient censés prévoir. Le troisième modèle, qui utilise la logique floue pour gérer l'incertitude, a réussi à prédire une gamme de résultats plus large, incluant les extrêmes, mais ses estimations étaient si dispersées et inexactes que son taux d'erreur global était tout aussi élevé que celui des modèles qui se cantonnaient à la moyenne.
L'étude a également examiné ce que les modèles « apprenaient » des données. Même si les modèles n'ont pas réussi à prédire l'intensité avec précision, ils étaient d'accord sur les facteurs atmosphériques les plus importants. Le modèle basé sur les probabilités et le modèle de réseau de neurones accordaient tous deux le poids le plus important aux schémas de vent nord-sud et au mouvement de l'humidité dans cette direction. Cela est physiquement cohérent, car ces événements sont souvent organisés par un déplacement de l'air transportant l'humidité d'une région humide vers une région sèche, ou inversement. Les modèles ont correctement identifié les bons ingrédients, mais ils n'ont pas pu les combiner pour faire une prédiction correcte du résultat final. C'est comme si un chef identifiait correctement les épices principales d'un ragoût, mais ne pouvait pas deviner la saveur finale. Le chercheur a constaté que l'information disponible dans un instantané météorologique d'un seul mois n'était tout simplement pas suffisante pour déterminer l'intensité du contraste sec-humide.
Le chercheur a conclu que prédire la force de ces sécheresses et inondations simultanées est bien plus difficile que prévu. Les modèles testés, qui font très peu d'hypothèses sur le comportement des données, se sont effondrés vers la moyenne plutôt que de capturer les variations sauvages de la réalité. Bien qu'ils aient correctement identifié que le transport d'humidité nord-sud est le moteur clé, cette connaissance ne s'est pas traduite par une prévision utile. L'étude suggère que pour améliorer les prévisions, les scientifiques devront peut-être examiner les modèles météorologiques sur plusieurs mois précédant l'événement, plutôt que de se limiter au mois en question, et qu'ils devront peut-être construire des modèles distincts pour différentes saisons. Pour l'instant, l'intensité de ces spectaculaires dipôles sec-humide reste seulement faiblement prévisible à partir de l'état de l'atmosphère au moment où ils se produisent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.