Predicting probabilities of climate extremes from observations and dynamics

Prédiction des probabilités des extrêmes climatiques à partir des observations et de la dynamique Il existe un grand intérêt pour la prédiction de l'occurrence d'événements climatiques à fort impact tels que l'ENSO (El Niño Southern Oscillation) ou d'événements rares, par exemple les vagues de chaleur. Ce sont des problèmes de prédiction à la marge de prévisibilité car l'échelle de temps intéressante se situe à la limite du temps de mixing du système. Cette thèse vise à introduire la quantité pertinente pour ces problèmes de prédiction, la fonction dite committor qui est la probabilité qu'un événement se produise dans le futur, en fonction de l'état actuel du système. Le calcul du committor dans un modèle stochastique pour ENSO montre que la transition vers des régimes El Niño intenses peut avoir soit une prévisibilité probabiliste intrinsèque, soit une imprévisibilité. Le deuxième objectif est d'illustrer comment calculer et valider la fonction committor à partir d'observations, en discutant de la chaîne de Markov des analogues qui fournit un moyen d'apprendre une dynamique effective à partir de données. A partir de là, un nouvel algorithme est développé, avec pour objectif de calculer la fonction committor plus précisément que les autres approches, notamment en cas de manque de données. De plus, il est montré, dans le cadre de deux systèmes stochastiques, que coupler l'apprentissage du committor avec un algorithme d'événement rare améliore les performances de ce dernier. Enfin, cette méthodologie est appliquée à un ensemble de données climatiques, générées à partir d'un modèle climatique, afin d'étudier et de prédire l'occurrence de vagues de chaleur extrêmes. Après avoir vérifié la cohérence des quantités statistiques calculées par la dynamique effective, un classificateur basé sur la chaîne de Markov est développé, avec la capacité de mieux classer les vagues de chaleur que d'autres méthodes.