Identifier les fenêtres d'opportunité dans les modèles météorologiques d'apprentissage profond

Les modèles de prédiction météorologique basés sur l'apprentissage profond ont gagné en popularité ces dernières années et sont efficaces pour prévoir la météo sur des échelles de temps courtes à moyennes, avec des modèles tels que FourCastNet qui sont compétitifs avec les modèles de prévision numérique du temps. Cependant, sur des échelles de temps plus longues, la complexité et l'interaction des différentes variables météorologiques et climatiques conduit à des prédictions de plus en plus inexactes. Des phénomènes climatiques à grande échelle, tels que les périodes actives de l'Oscillation Madden-Julian (MJO), sont connus pour offrir une meilleure prévisibilité pour des délais de prévision plus longs. Ces soi-disant fenêtres d'opportunité représentent donc des outils stratégiques prometteurs pour améliorer les prévisions S2S. Dans ce travail, nous évaluons la capacité de FourCastNet à représenter et à utiliser la présence des phases (actives) de la MJO. Tout d'abord, nous analysons la corrélation entre l'espace des caractéristiques de FourCastNet et différents indices MJO. Nous réalisons également une analyse comparative de la précision des prédictions dans la région de l'Asie du Sud-Est pendant les phases actives et inactives de la MJO.