Prédiction de l'ENSO en utilisant des réseaux neuronaux récurrents (RNN) et l'apprentissage supervisé par mémoire à long et court terme (LSTM) à partir d'autres indices océaniques

Résumé L'oscillation El Niño-Southern (ENSO) est un phénomène climatique mondial cyclique qui entraîne fréquemment des anomalies climatiques mondiales et a des effets significatifs sur l'économie et la société. Ainsi, prévoir et étudier les événements ENSO est crucial pour comprendre et résoudre les préoccupations liées au changement climatique mondial. C'est d'une importance particulièrement significative tant sur le plan pratique que scientifique. Les techniques de modélisation numérique et l'analyse statistique conventionnelle étaient les principaux outils employés dans les recherches antérieures sur l'ENSO. Pour augmenter la précision de la prévision de l'ENSO, cette étude explore l'application de l'apprentissage profond. Les données météorologiques et marines ont été traitées à l'aide de réseaux neuronaux récurrents (RNN) avec mémoire à long et court terme (LSTM). Le travail prend en compte LSTM pour prédire les épisodes ENSO liés à plusieurs facteurs et emploie plusieurs indices climatiques en tant que caractéristiques d'entrée. Les résultats démontrent l'efficacité de LSTM dans la prédiction des épisodes ENSO, ainsi que ses applications scientifiques et pratiques potentielles. Sur plus de 100 époques, le modèle LSTM a montré une amélioration constante avec une diminution de la perte d'entraînement et de validation. Son erreur quadratique moyenne (EQM) pour l'entraînement était de 0,0954 et de 0,0862 pour le test, indiquant une forte généralisation. L'erreur absolue moyenne (EAM) est restée stable à 0,2255 pour l'entraînement et 0,2198 pour le test, affirmant sa robustesse. L'analyse visuelle a révélé un alignement étroit entre les valeurs MEI prédites et réelles, soulignant sa capacité à capturer les complexités de la dynamique de l'ENSO.