Modèles de prévision ENSO

GMAO signifie Global Modeling and Assimilation Office de la NASA.

Il s’agit d’un modèle dynamique couplé qui relie plusieurs composantes du système climatique :

• Atmosphère
• Océan
• Glace de mer
• Surface continentale

Contrairement à un modèle statistique, il résout physiquement les équations de l’atmosphère et de l’océan, dans une logique proche des grands modèles saisonniers.

Concrètement, il peut :

• assimiler des observations (satellites, bouées, analyses océaniques),
• simuler l’évolution du Pacifique tropical,
• représenter les alizés,
• suivre la thermocline,
• intégrer les ondes de Kelvin,
• projeter les anomalies de température de surface de la mer (SST).

COLA signifie Center for Ocean-Land-Atmosphere Studies.
CCSM4 est le Community Climate System Model développé avec le NCAR.

Il s’agit d’un modèle dynamique couplé intégrant :

• Atmosphère
• Océan
• Surface continentale
• Glace de mer

Ce modèle est principalement utilisé dans un cadre académique et de recherche, notamment pour l’étude de la variabilité climatique et du phénomène ENSO.

Utilisations principales :

• Prévisions saisonnières
• Études climatiques à long terme
• Simulation des événements ENSO (El Niño / La Niña)
• Expériences de sensibilité climatique

Particularités :

• Souvent utilisé en prévisions d’ensemble (ensemble forecasts)
• Peut être moins contraint par les observations que les modèles opérationnels
• Grande flexibilité pour la recherche climatique

UKMO désigne le UK Met Office, le service météorologique national britannique. Pour les prévisions saisonnières, il s’appuie sur son système GloSea (Global Seasonal Forecast System).

Il s’agit d’un modèle dynamique couplé qui relie plusieurs composantes du système climatique :

• Atmosphère
• Océan
• Glace de mer
• Surface continentale

Comme les autres grands modèles saisonniers, UKMO simule physiquement les interactions entre l’océan et l’atmosphère. Il ne repose donc pas seulement sur des analogies statistiques : il calcule l’évolution probable du système climatique à partir des conditions initiales observées.

En pratique, UKMO sert notamment à :

• prévoir l’évolution d’ENSO (El Niño / La Niña / Neutral),
• suivre les anomalies de température de surface de la mer,
• estimer les tendances saisonnières sur plusieurs mois,
• alimenter les ensembles multi-modèles utilisés en prévision climatique.

UKMO est souvent considéré comme une référence européenne opérationnelle. Bien que distinct d’ECMWF, UKMO lui est souvent comparé car les deux appartiennent aux grands systèmes dynamiques européens de référence.

À noter :

• UKMO correspond au système britannique GloSea,
• ECMWF représente la grande référence européenne continentale avec SEAS5,
• les deux figurent souvent parmi les modèles les plus surveillés dans les ensembles multi-modèles.

ECMWF est le Centre européen pour les prévisions à moyen terme. En prévision saisonnière, son système SEAS5 fait partie des références mondiales.

Il s’agit d’un modèle dynamique couplé qui relie :

• atmosphère,
• océan,
• glace de mer,
• surface continentale.

Dans une matrice ENSO, ECMWF est souvent observé en priorité car il combine forte qualité d’initialisation, bonne représentation de la variabilité tropicale et sorties d’ensemble robustes.

Il est particulièrement utile pour :

• évaluer la probabilité d’un basculement vers El Niño ou La Niña,
• mesurer la robustesse d’un signal via l’ensemble,
• comparer le scénario européen au consensus international.

CFSv2 signifie Climate Forecast System version 2. C’est le système saisonnier couplé du NCEP / CPC de la NOAA.

Ce modèle dynamique est très utilisé dans les tableaux ENSO car il fournit depuis longtemps une lecture régulière de la variabilité tropicale et sert souvent de repère opérationnel.

Ses points forts :

• bonne continuité historique,
• large diffusion dans les ensembles internationaux,
• lecture claire des anomalies du Pacifique tropical.

Il est particulièrement surveillé pour le suivi :

• des SST dans Niño 3.4,
• de l’évolution des alizés,
• de la transition entre phases neutres, El Niño et La Niña.

JMA désigne la Japan Meteorological Agency. Son système est largement utilisé pour le suivi opérationnel d’ENSO via le Tokyo Climate Center.

Le modèle est particulièrement intéressant pour observer l’évolution du Pacifique tropical dans une perspective asiatique et internationale.

En pratique, il aide à suivre :

• les anomalies océaniques de surface,
• la structure des épisodes El Niño et La Niña,
• la continuité ou l’affaiblissement d’un signal ENSO.

JMA est souvent comparé aux grands systèmes comme ECMWF, UKMO et NCEP afin de voir si un noyau de consensus se dégage.

SINTEX-F est un système couplé développé par JAMSTEC, bien connu pour ses applications sur ENSO et le dipôle de l’océan Indien.

Comme les autres modèles dynamiques, il simule les échanges entre océan et atmosphère et permet de suivre les mécanismes qui construisent un épisode ENSO.

Il est souvent apprécié pour :

• sa sensibilité aux structures tropicales,
• sa lecture du Pacifique équatorial,
• sa complémentarité avec les autres modèles asiatiques et européens.

ACCESS est la famille de modèles climatiques développée en Australie. Elle est utilisée pour la prévision météorologique, climatique et saisonnière.

Pour ENSO, ce type de système est particulièrement pertinent car l’Australie surveille de près l’évolution du Pacifique tropical et ses impacts régionaux.

Le modèle sert notamment à :

• suivre la dynamique du Pacifique tropical,
• évaluer le risque de bascule ENSO,
• alimenter les analyses multi-modèles du Bureau of Meteorology et des centres partenaires.

CanSIPS est le système de prévision saisonnière couplé d’Environment and Climate Change Canada.

Il combine plusieurs membres d’ensemble afin d’estimer la probabilité des scénarios climatiques sur plusieurs mois.

Dans une matrice ENSO, il est utile pour :

• élargir la diversité des grands centres opérationnels,
• tester la cohérence d’un signal avec l’Amérique du Nord,
• mieux mesurer la dispersion entre modèles dynamiques.

DWD désigne le service météorologique allemand, Deutscher Wetterdienst.

Son système saisonnier fait partie des contributions européennes observées dans les ensembles climatiques, notamment pour comparer les scénarios issus des grands modèles couplés.

Il est surtout utile pour :

• apporter une lecture complémentaire au bloc européen,
• tester la stabilité du signal ENSO à moyen terme,
• mesurer la convergence avec ECMWF et UKMO.

SPEAR est un modèle développé par le NOAA Geophysical Fluid Dynamics Laboratory.

Il s’inscrit dans une logique plus récente de modélisation climatique et saisonnière, avec une attention portée aux performances sur plusieurs horizons temporels.

Son intérêt dans ENSO :

• nouvelle génération de système dynamique,
• lecture complémentaire à CFSv2,
• vision utile pour les ensembles NOAA et les comparaisons de fond.

LDEO fait référence au Lamont-Doherty Earth Observatory de Columbia University.

Ce modèle est souvent cité dans les ensembles ENSO historiques et garde une valeur pédagogique forte, car il fait partie des systèmes régulièrement suivis depuis longtemps.

Son intérêt principal :

• apporter un point de comparaison historique,
• observer la cohérence d’un signal avec les grands centres,
• enrichir la dispersion des systèmes dynamiques disponibles.

Le système Météo-France fait partie des grands outils européens de prévision saisonnière.

Il s’appuie sur une modélisation couplée et contribue à la lecture des anomalies océaniques et atmosphériques à plusieurs mois d’échéance.

Dans une matrice ENSO, il est utile pour :

• compléter la lecture européenne avec ECMWF, UKMO et DWD,
• suivre la cohérence des scénarios dynamiques,
• mieux apprécier la dispersion à l’intérieur du bloc européen.

CPC CA repose sur la Canonical Correlation Analysis de la NOAA.

Ce type de modèle ne simule pas directement toute la physique du climat : il recherche des relations robustes entre les champs océaniques et atmosphériques observés dans le passé.

Son intérêt :

• lecture rapide d’un signal ENSO,
• bon outil de comparaison face aux modèles dynamiques,
• benchmark utile quand le signal est déjà bien installé.

CPCMRKOV utilise une approche statistique inspirée des chaînes de Markov pour prolonger l’évolution probable du signal ENSO.

Ce type de modèle est intéressant pour voir comment un état actuel du Pacifique tropical peut statistiquement évoluer vers les mois suivants.

Il est surtout utile pour :

• avoir un scénario statistique simple,
• comparer la persistance d’un signal,
• tester si la tendance dynamique est cohérente avec l’historique observé.

CLIPR est une approche statistique historique souvent utilisée comme point de comparaison simple.

Elle extrapole le signal en s’appuyant sur la climatologie et la persistance observée, sans résoudre en détail toute la physique océan-atmosphère.

Pourquoi il reste utile :

• excellent point de référence minimal,
• permet de voir si les modèles complexes font mieux qu’une extrapolation simple,
• très pédagogique dans une matrice ENSO.

UCLA TCD vient du groupe Theoretical Climate Dynamics de l’UCLA.

Ce type de modèle est intéressant car il cherche à représenter ENSO à partir d’une compréhension théorique des mécanismes tropicaux, plutôt que par une modélisation opérationnelle lourde.

Son intérêt :

• lecture conceptuelle du signal ENSO,
• bonne valeur pédagogique,
• utile comme comparaison avec les grands systèmes opérationnels.

XRO est une approche développée à l’University of Hawaii qui combine des signaux physiques avec des méthodes avancées d’apprentissage.

Elle cherche à prolonger l’horizon de prévision ENSO en exploitant mieux certaines structures spatio-temporelles complexes.

Pourquoi il est intéressant :

• approche plus moderne que la séparation classique dynamique/statistique,
• potentiel sur des échéances plus longues,
• utile pour voir si les modèles IA rejoignent les modèles physiques.

TONGJI MEAN regroupe plusieurs modèles d’apprentissage profond développés à Tongji University.

Plutôt que de s’appuyer uniquement sur des lois physiques explicites, ces systèmes apprennent des structures complexes dans les données climatiques passées.

Leur intérêt :

• détecter des motifs non linéaires,
• mieux capter certains signaux faibles,
• offrir un regard complémentaire aux modèles traditionnels.

Comme il s’agit ici d’une moyenne de plusieurs modèles IA, le signal obtenu peut être plus stable qu’une sortie isolée.