Résumé IA · arXiv: 2611.17854v1 · physics.ao-ph

Tracing Uncertainties of Extreme El Niño Prediction to Mesoscale Ocean Currents

Bo Qin, Zeyun Yang, Qiaofei Xue, Yanan Ding, Jinyu Wang, Chaopeng Ji, Shijin Yuan, Bin Mu,
et 4 autres auteursWansuo Duan, Guokun Dai, Mu Mu, Yi Deng
Article original Soumis à arXiv le 13 Nov. 2026 30 pages, 13 figures Licence : CC BY 4.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

L’étude montre que des erreurs initiales de courants océaniques à mésoéchelle peuvent amplifier l’incertitude des prévisions d’El Niño par des mécanismes propres à chaque événement.

Question

Les erreurs initiales de courants océaniques à mésoéchelle peuvent-elles provoquer de fortes incertitudes dans les prévisions d’El Niño, et par quelles voies se répercutent-elles sur les températures à grande échelle ? Les auteurs examinent aussi si ces erreurs optimales sont liées à la barrière de prévisibilité printanière et à des erreurs d’analyse plausibles.

Méthode

Les auteurs entraînent un modèle océanique différentiable sur les réanalyses GLORYS à 1/12° de résolution, avec 9 niveaux dans les 100 premiers mètres et des moyennes sur cinq jours. Ils appliquent la méthode CNOP aux événements de 1997/98 et 2015/16 : une perturbation des courants U et V, limitée à 5 % de l’amplitude moyenne des anomalies de courant, est optimisée pour maximiser l’erreur de SST dans la région Niño 3.4 après 72 pentades. Ils analysent ensuite les erreurs d’énergie cinétique des tourbillons, de température de l’océan supérieur et les projections d’erreurs simulées par lissage des courants à 0,5°, 1° et 2,5°.

Résultats

  • Résultat Les perturbations optimales affaiblissent nettement les deux événements El Niño, jusqu’à produire des conditions neutres.
    Voir le passage dans l’article
    However, when CNOP-type of initial current errors are superimposed, the predicted El Niño events are markedly weakened and can even result in neutral conditions.
  • Résultat L’événement de 1997/98 est surtout sensible aux erreurs de courant dans le Pacifique Est, tandis que celui de 2015/16 est sensible aux erreurs du Pacifique Ouest.
    Voir le passage dans l’article
    For the 1997/98 event, the vertically integrated oceanic kinetic energy is mainly concentrated in the eastern tropical Pacific and along the coastal region south of North America, shown in the black box in Figure 2c. In contrast, for the 2015/16 event, the vertically integrated oceanic kinetic energy is concentrated primarily in the western Pacific, especially near the western boundary of the North Equatorial Current and the western equatorial Pacific, shown in the black box in Figure 2d.
  • Résultat Dans les régions sensibles, les perturbations optimales modifient les nombres de tourbillons, avec une augmentation des tourbillons cycloniques froids dans les deux cas.
    Voir le passage dans l’article
    In the 1997/98 case, the CNOP perturbation increases the number of cyclonic (cold) eddies by 4 and decreases the number of anticyclonic (warm) eddies by 3 in the East region, indicating a shift towards a locally cooling mesoscale eddy configuration. In the 2015/16 case, the CNOP perturbation produces an even stronger increase in cyclonic (cold) eddies in the West region, with 5 additional cyclonic (cold) eddies and only 1 additional anticyclonic (warm) eddy.
  • Résultat La croissance des erreurs optimales atteint son maximum en avril pour 1997/98 et d’avril à juin pour 2015/16, périodes compatibles avec la barrière de prévisibilité printanière.
  • Résultat Les erreurs simulées par lissage des courants montrent des composantes alignées avec les structures CNOP, particulièrement dans la région Est pour 1997 et dans la région Ouest pour 2015.
    Voir le passage dans l’article
    In the East region, the 1997 case exhibits the strongest positive projection among all years and across the three smoothing scales. In the West region, the 2015 case shows the strongest positive projection.

Limites

  • Le modèle n’inclut pas l’ensemble des processus océaniques et des interactions couplées entre océan et atmosphère, et les diagnostics ne constituent pas un bilan énergétique ou thermique complet.
  • L’analyse CNOP porte sur seulement deux événements extrêmes, ce qui ne permet pas d’établir si les sensibilités régionales observées sont généralisables à d’autres types d’ENSO.
    Voir le passage dans l’article
    The CNOP experiments also focus on two extreme El Niño events, so larger event ensembles are necessary to assess whether the identified East- and West-region sensitivities are general across different ENSO types.
  • Les erreurs d’analyse simulées ne sont pas des erreurs océaniques directement observées : elles sont construites en lissant les données GLORYS.

Portée

Les auteurs étendent l’étude de la prévisibilité d’ENSO au-delà des erreurs thermiques à grande échelle, en mettant en évidence une voie reliant les erreurs de courants à mésoéchelle aux anomalies thermiques qui freinent El Niño. Ils suggèrent que des observations et une assimilation ciblées des courants dans les régions sensibles pourraient contribuer à réduire l’incertitude des prévisions.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : El Niño prévisibilité saisonnière courants océaniques tourbillons mésoéchelle perturbations optimales

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
Cet article examine une source possible, encore peu étudiée, des incertitudes de prévision d’El Niño : les erreurs initiales à petite échelle dans les courants océaniques. Les études antérieures ont surtout attribué les erreurs de prévision à des anomalies de grande échelle, notamment celles de la température et du contenu thermique de l’océan. Les auteurs cherchent à déterminer si de faibles erreurs dans les courants à mésoéchelle peuvent s’amplifier et modifier l’évolution d’événements El Niño extrêmes, et si ce mécanisme contribue à la barrière de prévisibilité printanière. Pour répondre à ces questions, ils entraînent un modèle océanique différentiable fondé sur l’intelligence artificielle à partir de la réanalyse GLORYS. Le modèle couvre le Pacifique tropical et subtropical à une résolution horizontale de 1/12 degré. Il représente la température ainsi que les courants zonaux et méridiens sur neuf niveaux, jusqu’à environ 100 mètres de profondeur, à partir de données moyennées sur cinq jours. Il conserve une compétence de prévision supérieure au seuil retenu pendant environ 87 pentades pour la température, 54 pour le courant zonal et 19 pour le courant méridien. L’indice Niño 3.4 demeure prévisible, avec une corrélation supérieure à 0,5, pendant 81 pentades. Les auteurs associent ce modèle à la méthode des perturbations non linéaires conditionnelles optimales (CNOP) afin de déterminer quelles erreurs initiales de courant maximisent l’erreur ultérieure de température de surface dans la région Niño 3.4. Ils étudient les événements de 1997-1998 et de 2015-2016. Les perturbations touchent les deux composantes horizontales du courant sur les neuf niveaux, à la fin du mois de décembre précédant chaque événement. Leur amplitude est limitée à 5 % de l’amplitude moyenne des anomalies de courant dans les données d’entraînement, et leur évolution est simulée pendant 72 pentades, soit environ un an. Dans les deux cas, la perturbation optimisée affaiblit fortement l’El Niño simulé, parfois jusqu’à produire des conditions neutres, mais sa localisation varie selon l’événement. Pour 1997-1998, la zone la plus sensible se situe dans le Pacifique oriental, entre 5 et 14 degrés nord et 124 et 96 degrés ouest. L’erreur y est associée à un refroidissement sous la surface, puis à une réponse thermique locale qui contribue à freiner le réchauffement par l’intermédiaire de la rétroaction de Bjerknes. Pour 2015-2016, la principale zone de sensibilité se trouve dans le Pacifique occidental, entre 4 et 10 degrés nord et 136 et 168 degrés est. Les erreurs y réorganisent la température de la couche supérieure, avant de se propager vers l’est le long du Pacifique équatorial. Les diagnostics relient ces évolutions aux changements de l’énergie cinétique et du nombre de tourbillons. Dans la région orientale étudiée pour 1997-1998, la perturbation ajoute quatre tourbillons cycloniques, associés à des eaux plus froides, et en retire trois anticycloniques. Dans la région occidentale étudiée pour 2015-2016, elle ajoute cinq tourbillons cycloniques et un anticyclonique.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero Guide Zotero
Alertes de citation Guide des alertes de citations
Qui travaille dessus ?

Parmi les 15 articles autour de celui-ci, le nom qui revient le plus : M. Ausloos (2 articles)

Continuer avec Google Créez un compte gratuit : votre première carte est offerte
Lettre hebdomadaire Présenté dans « Climat et Terre cette semaine » du 16 novembre 2026. Climat et Terre cette semaine : ce que révèlent les signaux discrets · En recevoir une par email gratuitement

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Même question
    A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies
    John Taylor, Ming Feng · 2022 · Atmospheric and Oceanic Physics · cité 60 fois · Pas encore résumé

    Un Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies prédit les anomalies de SST, notamment celles associées à El Niño, tandis que cet article étudie les incertitudes des prévisions d’El Niño.

    Résumé scientifique

    Sea surface temperature (SST) variability plays a key role in the global weather and climate system, with phenomena such as El Niño-Southern Oscillation regarded as a major source of interannual climate variability at the global scale. The ability to be able to make long-range forecasts of sea surface temperature anomalies, especially those associated with extreme marine heatwave events, has potentially significant economic and societal benefits. We have developed a deep learning time series prediction model (Unet-LSTM) based on more than 70 years (1950-2021) of ECMWF ERA5 monthly mean sea surface temperature and 2-metre air temperature data. The Unet-LSTM model is able to learn the underlyi…

  2. Apparenté Contexte plus large
    Tsallis nonextensive statistical mechanics of El Nino Southern Oscillation Index
    M. Ausloos, F. Petroni · 2006 · Physica A 373 (2007) 721 - 736 · cité 14 fois · Résumé IA disponible

    Tsallis nonextensive statistical mechanics of El Nino Southern Oscillation Index analyse les distributions statistiques du SOI et la variabilité turbulente océan-atmosphère, plutôt que les erreurs initiales de courants.

    Résumé scientifique

    The shape and tails of partial distribution functions (PDF) for a climatological signal, i.e. the El Nino SOI and the turbulent nature of the ocean-atmosphere variability are linked through a model encompassing Tsallis nonextensive statistics and leading to evolution equations of the Langevin and Fokker-Planck type. A model originally proposed to describe the intermittent behavior of turbulent flows describes the behavior of the normalized variability for such a climatological index, for small and large time windows, both for small and large variability. This normalized variabil- ity distributions can be sufficiently well fitted with a chi-square-distribution. The transition between the smal…

  3. Apparenté Contexte plus large
    Exploring the Potential of Hybrid Machine-Learning/Physics-Based Modeling for Atmospheric/Oceanic Prediction Beyond the Medium Range
    Dhruvit Patel, Troy Arcomano, Brian Hunt et al. · 2024 · Atmospheric and Oceanic Physics · cité 2 fois · Résumé IA disponible

    Exploring the Potential of Hybrid Machine-Learning/Physics-Based Modeling for Atmospheric/Oceanic Prediction Beyond the Medium Range étudie des prévisions atmosphériques et océaniques par modèles hybrides, sans cibler les erreurs de courants liées à El Niño.

    Résumé scientifique

    This paper explores the potential of a hybrid modeling approach that combines machine learning (ML) with conventional physics-based modeling for weather prediction beyond the medium range. It extends the work of Arcomano et al. (2022), which tested the approach for short- and medium-range weather prediction, and the work of Arcomano et al. (2023), which investigated its potential for climate modeling. The hybrid model used for the forecast experiments of the paper is based on the low-resolution, simplified parameterization atmospheric general circulation model (AGCM) SPEEDY. In addition to the hybridized prognostic variables of SPEEDY, the current version of the model has three purely ML-bas…

  4. Apparenté Contexte plus large
    Reducing Uncertainty in Sea-level Rise Prediction: A Spatial-variability-aware Approach
    Subhankar Ghosh, Shuai An, Arun Sharma et al. · 2023 · Atmospheric and Oceanic Physics · preprint, non relu par les pairs · cité 4 fois · Résumé IA disponible

    Reducing Uncertainty in Sea-level Rise Prediction: A Spatial-variability-aware Approach vise à réduire l’incertitude des projections climatiques, mais pour l’élévation du niveau marin plutôt que les prévisions d’El Niño.

    Résumé scientifique

    Given multi-model ensemble climate projections, the goal is to accurately and reliably predict future sea-level rise while lowering the uncertainty. This problem is important because sea-level rise affects millions of people in coastal communities and beyond due to climate change's impacts on polar ice sheets and the ocean. This problem is challenging due to spatial variability and unknowns such as possible tipping points (e.g., collapse of Greenland or West Antarctic ice-shelf), climate feedback loops (e.g., clouds, permafrost thawing), future policy decisions, and human actions. Most existing climate modeling approaches use the same set of weights globally, during either regression or deep…

  5. Apparenté Même question
    Feature Importance in a Deep Learning Climate Emulator
    Wei Xu, Xihaier Luo, Yihui Ren et al. · 2021 · Machine Learning · preprint, non relu par les pairs · cité 19 fois · Pas encore résumé

    Feature Importance in a Deep Learning Climate Emulator identifie les données SST importantes pour des prévisions à plusieurs échéances, tandis que cet article trace les erreurs de courant qui dégradent les prévisions d’El Niño.

    Résumé scientifique

    We present a study using a class of post-hoc local explanation methods i.e., feature importance methods for "understanding" a deep learning (DL) emulator of climate. Specifically, we consider a multiple-input-single-output emulator that uses a DenseNet encoder-decoder architecture and is trained to predict interannual variations of sea surface temperature (SST) at 1, 6, and 9 month lead times using the preceding 36 months of (appropriately filtered) SST data. First, feature importance methods are employed for individual predictions to spatio-temporally identify input features that are important for model prediction at chosen geographical regions and chosen prediction lead times. In a second …

  6. Apparenté Contexte plus large
    Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood
    Changli Li, Zheng Han, Yange Li et al. · 2022 · Fluid Dynamics · cité 2 fois · Pas encore résumé

    Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood prédit des ondes hydrodynamiques par apprentissage automatique, mais dans des crues de rupture de barrage.

    Résumé scientifique

    The computational prediction of wave propagation in dam-break floods is a long-standing problem in hydrodynamics and hydrology. Until now, conventional numerical models based on Saint-Venant equations are the dominant approaches. Here we show that a machine learning model that is well-trained on a minimal amount of data, can help predict the long-term dynamic behavior of a one-dimensional dam-break flood with satisfactory accuracy. For this purpose, we solve the Saint-Venant equations for a one-dimensional dam-break flood scenario using the Lax-Wendroff numerical scheme and train the reservoir computing echo state network (RC-ESN) with the dataset by the simulation results consisting of time…

  7. Apparenté Contexte plus large
    An Interpretable Model of Climate Change Using Correlative Learning
    Charles Anderson, Jason Stock · 2022 · Atmospheric and Oceanic Physics · preprint, non relu par les pairs · cité 1 fois · Résumé IA disponible

    An Interpretable Model of Climate Change Using Correlative Learning interprète des motifs de température et de précipitation pour repérer les changements climatiques, sans étudier la prévision d’El Niño.

    Résumé scientifique

    Determining changes in global temperature and precipitation that may indicate climate change is complicated by annual variations. One approach for finding potential climate change indicators is to train a model that predicts the year from annual means of global temperatures and precipitations. Such data is available from the CMIP6 ensemble of simulations. Here a two-hidden-layer neural network trained on this data successfully predicts the year. Differences among temperature and precipitation patterns for which the model predicts specific years reveal changes through time. To find these optimal patterns, a new way of interpreting what the neural network has learned is explored. Alopex, a sto…

  8. Apparenté Autre approche du problème
    Nonlinear ensemble filtering with diffusion models: Application to the surface quasi-geostrophic dynamics
    Feng Bao, Hristo G. Chipilski, Siming Liang et al. · 2024 · Mathematical Physics · cité 32 fois · Résumé IA disponible

    Nonlinear ensemble filtering with diffusion models propose un filtre d’assimilation non linéaire pour un modèle quasi-géostrophique, tandis que cet article optimise les erreurs de courant pour analyser les prévisions d’El Niño.

    Résumé scientifique

    The intersection between classical data assimilation methods and novel machine learning techniques has attracted significant interest in recent years. Here we explore another promising solution in which diffusion models are used to formulate a robust nonlinear ensemble filter for sequential data assimilation. Unlike standard machine learning methods, the proposed \textit{Ensemble Score Filter (EnSF)} is completely training-free and can efficiently generate a set of analysis ensemble members. In this study, we apply the EnSF to a surface quasi-geostrophic model and compare its performance against the popular Local Ensemble Transform Kalman Filter (LETKF), which makes Gaussian assumptions on t…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 16 novembre 2026.

Le guide illustré des articles autour d’un article

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.