Prévisions en temps réel de la banquise améliorées
Une nouvelle étude publiée dans la revue Chaos rapporte une avancée majeure dans la prévision en temps réel de la banquise arctique. Dirigée par des chercheurs des États-Unis et du Royaume-Uni, l’étude se concentre sur la prévision du minimum de la banquise Arctique, généralement atteint en septembre.
Les prévisions en temps réel de l’étendue de la banquise sont importantes pour suivre l’état de la glace, comprendre le changement climatique et se préparer à ses conséquences. Les tests de cette nouvelle approche en temps reél en septembre 2024, ainsi qu’à posteriori pour les années précédentes, ont montré qu’elle permet de saisir de manière fiable à la fois les tendances à long terme et les fluctuations à court terme.
Pourquoi la banquise arctique est importante
La banquise arctique joue un rôle clé dans le système climatique mondial. La glace brillante réfléchit la lumière du soleil dans l’espace, aidant à refroidir la planète. Lorsque la glace fond, l’eau plus sombre de l’océan absorbe plus de chaleur, ce qui accélère le réchauffement. Ce mécanisme est connu sous le nom de l’effet albédo et son influence s’étend bien au-delà de l’Arctique.
Les conditions de la banquise affectent également directement les personnes et les écosystèmes. Les communautés autochtones dépendent de la glace stable pour les déplacements et la chasse. La faune, comme les ours polaires et les phoques, en dépend pour leur habitat. Les industries de la navigation, de la pêche et du tourisme ont besoin d’informations précises sur les conditions de la glace pour fonctionner en toute sécurité et planifier à l’avance.
Une nouvelle manière de prédire un système complexe
Prédire l’évolution de la banquise n’est pas simple. Elle dépend de facteurs atmosphériques et océaniques qui fluctuent à des échelles de temps très différentes. Ceux-ci vont des tendances climatiques à long terme et des cycles saisonniers annuels aux schémas météorologiques changeants rapidement.
Les chercheurs ont développé une approche d’apprentissage machine guidée par la théorie qui prend en compte la nature complexe et non linéaire du système climatique. Le modèle intègre aussi des effets de mémoire, ce qui signifie que les conditions passées influencent le comportement futur. En capturant des interactions à travers plusieurs échelles temporelles, il peut s’adapter lorsque les conditions changent de manière inattendue.
Pour identifier ces modèles, l’équipe a analysé les relations dans les archives d’observations à long terme, y compris les mesures quotidiennes moyennes de l’étendue de la banquise du National Snow and Ice Data Center depuis 1978. Le modèle intègre également des données régionales pour améliorer les estimations à court terme de la glace et du temps.
Amélioration de la précision et développements futurs
En général, les projections à long terme sont plus fiables que les prévisions à court terme. Cependant, cette nouvelle approche a bien fonctionné dans les deux domaines. Lors des tests sur des données historiques et comparée à plusieurs techniques statistiques et d’apprentissage automatique standard, elle a montré une meilleure précision. Elle a pu suivre le déclin à long terme de la banquise arctique tout en capturant les variations à court terme à des échelles de temps subsaisonnières à saisonnières.
Comme tout modèle scientifique, il a des limites. Les chercheurs notent que l’inclusion de variables océaniques et atmosphériques supplémentaires, telles que la température de l’air et la pression atmosphérique, pourrait améliorer la précision. Ces facteurs peuvent déclencher des changements rapides et des fluctuations à court terme qui sont difficiles à prévoir.
À mesure que l’Arctique continue de se réchauffer, les outils fournissant des prévisions précises et opportunes des conditions de la banquise deviennent de plus en plus importants. Cette étude montre comment la combinaison de la compréhension physique du système climatique avec l’analyse des données modernes peut conduire à des avancées pratiques dans les prévisions climatiques.
Léa Zinsli, PolarJournal
