Multi-Scale Long-Term Forecasting of Meteorological Drought Using Wavelet-Decomposed LSTM Models across Six Climatic Regions of Tanzania

La sécheresse est une catastrophe à évolution lente. Contrairement à une inondation qui arrive avec un rugissement soudain ou à une tempête qui frappe en une seule nuit, la sécheresse s'installe discrètement, prenant souvent des mois, voire des années, pour se révéler pleinement. Elle commence lorsque la pluie ne tombe pas dans les quantités attendues, drainant lentement l'humidité du sol et des réservoirs sur lesquels les communautés comptent. Dans des endroits comme la Tanzanie, où une grande partie de l'économie dépend d'une agriculture entièrement tributaire de la pluie, cette disparition lente de l'eau peut menacer les approvisionnements alimentaires, les moyens de subsistance et la stabilité de régions entières. Parce que la sécheresse se développe de manière si graduelle, prédire quand elle commencera, combien de temps elle durera et quelle sera sa gravité est incroyablement difficile. Les modèles météorologiques qui régissent ces périodes sèches sont complexes et en constante mutation, ce qui rend difficile le suivi par les outils de prévision traditionnels. Les scientifiques cherchent depuis longtemps de meilleurs moyens de déceler ces modèles avant qu'ils ne causent des dommages, dans l'espoir de donner aux agriculteurs et aux gestionnaires de l'eau suffisamment de temps pour se préparer.

Pour relever ce défi, une équipe de chercheurs en Tanzanie a développé une nouvelle façon de prévoir la sécheresse météorologique, qui est l'étape initiale de la sécheresse définie simplement par un manque de pluie. Ils se sont concentrés sur six régions distinctes du pays, allant des hauts plateaux frais et humides aux plaines centrales chaudes et sèches, en passant par les zones côtières humides. Les chercheurs ont utilisé une combinaison puissante de deux techniques avancées : une qui décompose les données météorologiques complexes en morceaux plus simples et plus clairs, et une autre qui agit comme une banque de mémoire pour apprendre des modèles passés. En injectant dans ce système les relevés météorologiques historiques de l'ensemble du pays, ils lui ont appris à reconnaître les signaux subtils qui précèdent une sécheresse. L'objectif n'était pas seulement de décrire ce qui s'est passé par le passé, mais de regarder vers l'avenir et de prédire ce que la météo pourrait faire au cours des deux prochaines années.

Les chercheurs ont commencé par rassembler une vaste quantité de données météorologiques historiques, incluant la pluviométrie, la température, le vent et la pression atmosphérique, couvrant une longue période à travers les six régions. Ils ont d'abord converti ces données brutes de précipitations en un score standardisé, un outil qui permet aux scientifiques de comparer la sécheresse entre différents lieux et époques sur une échelle unique. Un score bas signifie qu'il est sec, tandis qu'un score élevé signifie qu'il est humide. Cependant, ces scores sont souvent désordonnés, remplis de bruit aléatoire et de fluctuations à court terme qui peuvent masquer les véritables tendances à long terme. Pour nettoyer cela, l'équipe a utilisé un processus mathématique qui agit comme une lentille, séparant le signal météorologique en différentes couches de fréquence. Cette étape a permis d'éliminer les parasites confus, laissant derrière elle les modèles dominants qui pilotent réellement la sécheresse.

Une fois les données nettoyées, ils les ont injectées dans un modèle informatique sophistiqué conçu pour apprendre des séquences d'événements, tout comme une personne pourrait apprendre à prédire le temps en se souvenant de la façon dont les saisons ont changé au fil de nombreuses années. Ce modèle, connu sous le nom de réseau Long Short-Term Memory (LSTM), est particulièrement efficace pour se souvenir de choses survenues il y a longtemps, ce qui est crucial pour les sécheresses qui se construisent lentement. En combinant les données nettoyées avec ce système d'apprentissage basé sur la mémoire, les chercheurs ont créé un outil hybride capable de percevoir à la fois les changements météorologiques immédiats et les changements lents et persistants qui mènent aux périodes sèches de longue durée. Ils ont testé cet outil en lui demandant de prédire les conditions de sécheresse pour des périodes qu'il n'avait jamais vues auparavant, comparant ses suppositions aux données météorologiques réellement enregistrées.

Les résultats ont été remarquablement précis. Dans les six régions, le modèle a prédit avec succès la durée et la gravité des sécheresses avec un haut degré de confiance. Lorsque les chercheurs ont comparé les prédictions du modèle aux données réelles, les deux correspondaient presque parfaitement. Le modèle a correctement identifié quand les périodes sèches commenceraient et se termineraient, et il a estimé avec précision leur sévérité. En termes statistiques, l'accord entre les valeurs prédites et observées était extrêmement fort, le modèle expliquant la quasi-totalité de la variation des modèles de sécheresse. Même dans des régions connues pour leur météo imprévisible, telles que les zones côtières et les zones autour des grands lacs, le modèle a tenu bon. Il a particulièrement bien performé dans les hauts plateaux de l'ouest et du sud, où il a capturé avec une grande précision l'interaction complexe de la géographie locale et du climat.

L'une des découvertes les plus importantes est que le modèle a bien fonctionné pour les prévisions à court et moyen terme. Il pouvait prédire les conditions trois mois à l'avance, ce qui est utile pour planifier la prochaine saison de plantation, et également six mois à l'avance, ce qui aide à gérer les ressources en eau sur des périodes plus longues. Le modèle a montré que si la météo à court terme est pleine de surprises soudaines, les tendances à plus long terme sont plus constantes et plus faciles à prédire une fois le bruit éliminé. Cela suggère qu'en regardant l'ensemble du tableau, plutôt qu'en se perdant dans les fluctuations quotidiennes, les prévisionnistes peuvent obtenir une vue plus claire de ce qui arrive. L'étude a également révélé que le modèle ne se contentait pas de deviner la moyenne ; il reproduisait avec succès les hauts et les bas spécifiques des cycles de sécheresse, y compris les événements de sécheresse extrêmes, rares mais dangereux.

Dans la perspective de l'avenir, les chercheurs ont utilisé leur modèle entraîné pour générer une prévision de vingt-quatre mois pour les six régions. Les perspectives suggèrent un schéma d'alternance de périodes humides et sèches, avec plusieurs régions faisant face à des défis importants dans les années à venir. Les prévisions indiquent que des zones comme Mbeya, Mwanza et le plateau central de Dodoma pourraient connaître des conditions de sécheresse sévères à extrêmes lors de fenêtres spécifiques fin 2025 et courant 2026. En revanche, la région côtière de Dar es Salaam semble susceptible de faire face à des conditions plus clémentes, bien qu'elle ne soit pas à l'abri des périodes sèches. Le modèle a également souligné que les sécheresses dans ces régions suivent souvent un cycle, s'intensifiant durant certains mois de l'année avant de s'atténuer progressivement. Ces prévisions constituent un avertissement précoce crucial, permettant aux autorités locales et aux agriculteurs de se préparer aux potentielles pénuries d'eau avant qu'elles ne deviennent critiques.

L'étude confirme que la combinaison de techniques avancées de nettoyage de données avec un puissant apprentissage basé sur la mémoire offre une amélioration significative par rapport aux anciennes méthodes. En décomposant la nature complexe et bruyante des données météorologiques et en apprenant à un ordinateur à apprendre de l'histoire à long terme du climat, les chercheurs ont créé un outil qui est à la fois robuste et fiable. Bien que le modèle ne soit pas parfait et dépende de modèles historiques qui peuvent changer avec l'évolution des climats mondiaux, il représente une avancée majeure dans la compréhension et la prédiction de la sécheresse en Afrique de l'Est. La capacité de prévoir ces catastrophes à évolution lente avec une telle précision offre une fenêtre d'opportunité vitale pour que les communautés puissent s'adapter, gérer leur eau avec sagesse et protéger leur sécurité alimentaire contre la menace croissante de la variabilité climatique.