Tsinghua propose UniCM, un modèle unifié pour plusieurs modes climatiques, améliorant la précision des prévisions climatiques

Auteur et source de l'article : 36Kr

[Introduction] L'équipe de Tsinghua a proposé le modèle UniCM, qui apprend à travers un cadre unifié les interactions entre plusieurs modes climatiques, aidant l'IA à mieux comprendre les relations complexes du système climatique mondial. Cette avancée améliore non seulement la précision et la rapidité des prévisions climatiques, mais transforme également l'IA en outil d'exploration des mécanismes climatiques, offrant une valeur importante pour la prévention des catastrophes, l'agriculture et d'autres domaines.

Lorsqu'on évoque les prévisions climatiques, El Niño (ENSO) est généralement le phénomène le plus connu.

Cependant, le climat mondial n'est pas déterminé par un seul phénomène climatique. Outre l'ENSO, plusieurs modes climatiques coexistent, tels que le dipôle de l'océan Indien (IOD), le mode tropical de l'Atlantique Nord (TNA) et le mode méridien du Pacifique Nord (NPMM), formant ensemble un système mondial dynamique couplé par des téléconnexions inter-bassins et des interactions océan-atmosphère.

Pendant longtemps, la plupart des méthodes de prévision se sont concentrées sur un seul mode climatique ou ont étudié uniquement les relations entre quelques modes, ce qui rend difficile la modélisation des processus d'interaction non linéaire complexes du système climatique mondial. UniCM intègre plusieurs modes climatiques clés dans un même cadre unifié, considérant le système océan-atmosphère mondial comme un ensemble interconnecté.

Récemment, l'équipe du professeur Li Yong du département de génie électronique de l'Université Tsinghua a publié dans Nature Machine Intelligence un article de recherche intitulé « Learning the coupled dynamics of global climate modes », proposant un modèle unifié de prévision des modes climatiques mondiaux, UniCM (Unified Climate Model).

Lien vers l'article : https://www.nature.com/articles/s42256-026-01245-5

L'équipe de recherche a découvert que la prévisibilité du système climatique provient non seulement des phénomènes climatiques individuels, mais surtout des relations de couplage durables entre plusieurs modes climatiques. En apprenant ces dynamiques de couplage, UniCM libère une « prévisibilité émergente » difficile à exploiter avec les méthodes traditionnelles.

Cette recherche dépasse l'approche traditionnelle de la prévision climatique « un seul modèle, prédictions séparées » ; pour la première fois, elle apprend de manière unifiée les relations dynamiques complexes entre plusieurs modes climatiques océan-atmosphère, depuis une perspective globale couplée, offrant ainsi un nouveau paradigme pour la prévision climatique à long terme, la prévention des événements climatiques extrêmes et la découverte scientifique climatique pilotée par l'IA.

Contexte de la recherche

Au cours des dernières années, l'intelligence artificielle a connu un développement rapide dans le domaine de la prévision météorologique. De nombreux modèles d'IA sont déjà capables de réaliser des prévisions météorologiques précises sur une échelle de plusieurs jours à plusieurs semaines.

Cependant, les prévisions climatiques se concentrent sur des échelles de temps plus longues : comment le système climatique mondial évoluera-t-il au cours des prochains mois, années ou même plus longtemps ? Quelles régions pourraient connaître des événements extrêmes tels que des sécheresses, des inondations ou des vagues de chaleur ? Ces questions impliquent des interactions complexes à travers plusieurs échelles entre les systèmes océaniques et atmosphériques.

Les méthodes actuelles traitent souvent les modes climatiques comme des objets indépendants, alors que le système climatique réel constitue un réseau complexe fortement couplé. Comment permettre à l’IA non seulement de « prédire », mais aussi d’aider les scientifiques à comprendre les relations de couplage à long terme entre ces modes, devient un défi majeur dans le domaine de l’IA pour la science.

Modèle climatique unifié à double perspective

Pour résoudre ce problème, l'équipe de recherche a conçu l'architecture UniCM à deux branches.

Le modèle comprend deux modules principaux :

1. Globalformer : Apprendre l'évolution des champs physiques locaux

Globalformer traite des variables physiques clés telles que la température de surface de la mer (SST), les contraintes de vent, la profondeur de la thermocline et la température de l'océan supérieur, afin d'apprendre les dynamiques spatio-temporelles du système climatique à partir de champs climatiques à haute résolution.

2. Modeformer : Apprendre les relations entre les modes climatiques

Modeformer se concentre sur sept modes climatiques importants : ENSO, IOD, TNA, NPMM, SPMM, IOB et SIOD, en apprenant leurs interactions non linéaires et leurs processus d'évolution commune.

Plus important encore, UniCM établit un mécanisme de couplage bidirectionnel : d’une part, les champs physiques locaux génèrent des modes climatiques à grande échelle ; d’autre part, les modes climatiques ainsi formés influencent à leur tour l’évolution future des champs physiques locaux. L’équipe de recherche appelle ce mécanisme « mode-to-patch guidance », c’est-à-dire l’utilisation de l’état climatique à grande échelle pour guider les prévisions locales, réalisant ainsi une modélisation en boucle fermée allant du local vers le global, puis du global vers le local.

ENSO est considéré comme l'une des modalités climatiques les plus importantes au monde et comme l'une des tâches les plus complexes dans le domaine de la prévision climatique à long terme.

Les résultats de l'étude montrent que, sur la base des données observées de 1980 à 2023, UniCM a constamment surpassé plusieurs modèles de référence représentatifs sur une fenêtre de prévision de 24 mois. Le modèle permet de prolonger la période de prévision efficace de l'ENSO à 19 mois, alors que les modèles avancés précédents atteignaient généralement seulement 15 à 16 mois.

En outre, UniCM présente un avantage notable sur le problème du « obstacle de prévisibilité printanière », qui a longtemps entravé la prévision climatique. Le modèle conserve une haute précision prédictive lors de la traversée du printemps dans l'hémisphère nord, étendant la capacité de prévision efficace à environ 14 mois.

En outre, UniCM a réussi à reproduire l'événement El Niño extrême de 1997–1998 ainsi que l'événement « triple La Niña » consécutif de 2020 à 2023, capturant avec précision la survenue, le développement et l'atténuation de ces événements extrêmes historiques.

UniCM excelle non seulement à prédire l'ENSO, mais peut également prédire simultanément sept modèles climatiques importants dans le même cadre, notamment l'ENSO, l'IOD, l'IOB, le SIOD, le SPMM, le NPMM et le TNA.

Les résultats montrent que le modèle surpassent les méthodes représentatives actuelles sur plusieurs modes climatiques. Pour certains modes non ENSO difficiles à prédire, la performance prédictive moyenne s'est améliorée de plus de 22 % ; la période de prévision efficace pour l'IOD atteint environ 7 mois.

Plus important encore, UniCM peut reconstruire avec précision les relations de retard réelles entre différents modes climatiques. Par exemple, il a réussi à reproduire la liaison physique selon laquelle le NPMM précède l'ENSO d'environ 4 mois, ainsi que les structures de couplage entre plusieurs modes climatiques transocéaniques.

Cela indique que le modèle a appris des mécanismes de couplage physique réels présents dans le système climatique mondial, et non de simples corrélations statistiques.

Outre sa capacité de prédiction, UniCM possède une forte interprétabilité.

L'équipe de recherche a découvert, en analysant le mécanisme d'attention interne du modèle, que celui-ci se concentre automatiquement sur les régions clés et les relations de modes clés ayant un sens physique avant la survenue d'événements ENSO majeurs.

Par exemple, avant l'événement El Niño de 1997, le modèle a identifié le rôle précurseur important du NPMM ; dans certains événements climatiques complexes, le TNA pourrait jouer un rôle de枢纽 clé. Ces découvertes sont hautement cohérentes avec les résultats des études physiques climatiques existantes.

Cela signifie que UniCM peut non seulement prédire les états climatiques futurs, mais aussi aider les scientifiques à découvrir des mécanismes potentiels et à formuler de nouvelles hypothèses scientifiques, devenant ainsi un outil essentiel pour la recherche climatique.

Applications futures et perspectives de développement

Dans le contexte du changement climatique mondial, l'importance des prévisions climatiques à long terme devient de plus en plus prononcée. Des prévisions climatiques plus précises et de plus longue durée serviront directement les domaines de la production agricole, de la gestion des ressources en eau, de la planification énergétique, du développement de la pêche ainsi que de la prévention et de la réduction des catastrophes.

L'équipe de recherche estime que UniCM ne représente pas seulement un nouveau modèle de prévision climatique, mais aussi une approche unifiée de modélisation des systèmes complexes. À l'avenir, ce cadre devrait être étendu à l'étude des oscillations intra-saisonnières, des variations climatiques interdécennales et de l'évolution des modes climatiques dans le contexte du réchauffement global, puis appliqué à d'autres systèmes complexes présentant une couplage bidirectionnel entre « processus locaux » et « structure globale ».

De la « prévision météorologique » à la « compréhension du climat », puis à la « découverte de schémas », UniCM démontre les nouvelles possibilités de l'intelligence artificielle dans les sciences des systèmes terrestres : les informations prédictives les plus importantes ne sont peut-être pas cachées dans un seul indicateur climatique, mais résident dans les relations couplées en constante évolution de l'ensemble du système climatique.

Références : https://www.nature.com/articles/s42256-026-01245-5