Améliorer la prévision saisonnière de la température moyenne de surface globale en intégrant des prévisions dynamiques réalistes de l’ENSO

Pourquoi de meilleures prévisions saisonnières sont importantes

Les agriculteurs, les planificateurs énergétiques et les gestionnaires des risques de catastrophe ont de plus en plus besoin de savoir à quel niveau de chaleur la planète est susceptible d’être dans les saisons à venir. Cette étude explore pourquoi les prévisions à court terme de la température moyenne de surface de la Terre manquent parfois leur cible et montre comment le suivi de motifs climatiques tropicaux bien connus peut rendre ces prévisions plus précoces et plus fiables.

Un thermomètre global aux conséquences concrètes

La température moyenne de surface globale, ou la chaleur moyenne près de la surface de la planète, est un chiffre simple qui masque une physique complexe. Pourtant, il a des conséquences directes sur le calendrier des récoltes, la demande en combustibles, le stress thermique et les risques liés aux phénomènes météorologiques. Les prévisions saisonnières de cette température globale peuvent aider les sociétés à se préparer quelques mois à l’avance. Les modèles climatiques existants et même les systèmes modernes d’apprentissage automatique peinent toutefois à prédire les fluctuations d’une année sur l’autre, en particulier pour les mois cruciaux de l’automne et de l’hiver dans l’hémisphère nord où se produisent de nombreux extrêmes climatiques.

Le casse‑tête des erreurs de prévision en automne

Les auteurs ont examiné pourquoi leur système de prévision antérieur, développé à l’Institut de physique atmosphérique de Pékin, commençait à perdre en précision lorsque les prévisions étaient lancées en automne. En comparant les prévisions aux observations de 1980 à 2024, ils ont constaté que les erreurs étaient étroitement liées à ce qui se passait dans les océans tropicaux. Lors des événements El Niño, quand le Pacifique central et oriental se réchauffe, leur modèle avait tendance à sous‑estimer la température globale. Lors de La Niña, avec des eaux pacifiques plus fraîches, il surestimait souvent. Le motif des erreurs n’était pas confiné au Pacifique, mais se propageait aussi dans les océans Indien et Atlantique, révélant une chaîne pantropicale d’interactions que le modèle initial ne capturait pas complètement.

Les océans tropicaux agissant de concert

Sur le plan physique, l’étude montre comment une phase chaude d’El Niño affaiblit et déplace une circulation atmosphérique clé au‑dessus du Pacifique. Ce déplacement modifie les vents et les courants dans l’océan Indien, favorisant une zone chaude dans ses régions ouest et centrale, et change également les vents au‑dessus de l’Atlantique Nord tropical, conduisant à un réchauffement là aussi. Ces bassins océaniques liés agissent ensemble pour influencer la température de surface globale lors des saisons suivantes. Quand ces réponses à l’échelle des bassins sont plus fortes que prévu par le modèle, la prévision de température globale est trop froide, et quand elles sont plus faibles, elle est trop chaude. L’inverse se produit pendant La Niña, quand un refroidissement à l’échelle des bassins est courant. La reconnaissance de cette chaîne aide à expliquer pourquoi les erreurs se concentrent les années où El Niño ou La Niña sont forts.

Mélanger intuition physique et statistiques

Pour transformer cette compréhension en un outil opérationnel, les auteurs ont conçu un cadre de prévision hybride. Ils ont conservé leur système statistique existant qui séparait déjà les variations climatiques lentes et rapides, mais y ont ajouté des informations provenant d’un modèle distinct qui prédit la force d’El Niño et de La Niña plusieurs mois à l’avance. En utilisant des données passées, ils ont appris comment les erreurs de prévision évoluaient avec le signal pacifique prédit, puis ont utilisé cette relation pour corriger les nouvelles prévisions en temps réel. Ils ont également testé l’inclusion d’indices supplémentaires provenant des océans Indien et Atlantique. Bien que ceux‑ci aient aidé à éliminer un biais moyen, ils n’ont pas autant amélioré la compétence interannuelle que l’accent mis sur le Pacifique seul, probablement parce que leur comportement est déjà fortement lié à El Niño et La Niña.

Ce que délivre le nouveau système

Avec cette approche combinée, les prévisions améliorées ont réduit les erreurs moyennes d’environ deux cinquièmes pour les prévisions lancées en septembre et octobre et ont ramené de nombreuses années de fort El Niño et La Niña dans l’incertitude observationnelle. Environ deux tiers des années étudiées, les prévisions corrigées se sont révélées plus proches de la réalité, avec des gains particulièrement importants lors des épisodes El Niño. Plus notable encore, l’horizon temporel de prédiction fiable de la température globale s’est allongé, passant de deux à quatre mois. Pour les utilisateurs d’informations climatiques, cela signifie un avertissement plus précoce de saisons exceptionnellement chaudes ou fraîches à l’échelle planétaire, obtenu avec une méthode plus simple et moins coûteuse en calcul que de nombreux modèles climatiques à grande échelle.

Citation: Li, KX., Zheng, F. Improving seasonal prediction of global mean surface temperature by incorporating dynamic ENSO realistic forecasts. npj Clim Atmos Sci 9, 114 (2026). https://doi.org/10.1038/s41612-026-01386-9

Mots-clés: prévision climatique saisonnière, température moyenne de surface globale, ENSO, El Niño, océans pantropicaux