Aller au contenu

Utilisateur:Cloema/Brouillon

Une page de Wikipédia, l'encyclopédie libre.

Le domaine des réseaux complexes est apparu comme un domaine scientifique important pour générer de nouvelles connaissances sur la nature des systèmes complexes[1],[2]. L'application de la théorie des réseaux à la climatologie est un domaine jeune et émergent[3],[4],[5]. Pour identifier et analyser les tendances du climat mondial, les scientifiques modélisent les données climatiques en réseaux complexes.

Contrairement à la plupart des réseaux du monde réel où les nœuds et les arêtes sont bien définis, dans les réseaux climatiques, les nœuds sont identifiés comme les sites dans une grille spatiale de l'ensemble de données climatiques mondiales sous-jacentes, qui peuvent être représentées à diverses résolutions. Deux nœuds sont reliés par un bord selon le degré de similitude statistique (qui peut être lié à la dépendance) entre les paires correspondantes de séries temporelles tirées des enregistrements climatiques[6],[7]. L'approche des réseaux climatiques permet d'obtenir de nouvelles informations sur la dynamique du système climatique à différentes échelles spatiales et temporelles[8],[9],[10].

Construction de réseaux climatiques[modifier | modifier le code]

Selon le choix des nœuds et/ou des arêtes, les réseaux climatiques peuvent prendre de nombreuses formes, formes, tailles et complexités différentes. L'équipe de Tsonis a introduit le domaine des réseaux complexes au climat. Dans leur modèle, les nœuds du réseau ont été constitués par une variable unique (500 hPa) à partir des ensembles de données de réanalyse NCEP/NCAR. Afin d'estimer les arêtes entre les nœuds, on a estimé le coefficient de corrélation à zéro décalage dans le temps entre toutes les paires de nœuds possibles. Une paire de nœuds était considérée comme connectée, si leur coefficient de corrélation est supérieur à un seuil de 0,5[11].

L'équipe de Havlin a introduit la méthode des liens pondérés qui prend en compte : le retard de la liaison, le maximum de la corrélation croisée au retard et enfin le niveau de bruit dans la fonction de corrélation croisée[12].

Steinhaeuser et son équipe ont introduit la nouvelle technique des réseaux multivariables dans le climat en construisant des réseaux à partir de plusieurs variables climatiques séparément et en capturant leur interaction dans un modèle prédictif multivarié. Il a été démontré dans leurs études que, dans le contexte du climat, l'extraction de prédicteurs basés sur les attributs des clusters donne des précurseurs instructifs pour améliorer les compétences prédictives[13].

L'équipe de Kawale a présenté une approche basée sur des graphiques pour trouver des dipôles dans les données de pression. Compte tenu de l'importance de la téléconnexion, cette méthodologie peut fournir des informations importantes[14].

L'équipe de Imme a introduit un nouveau type de construction de réseau en climat basé sur un modèle graphique probabiliste temporel, qui fournit un point de vue alternatif en se concentrant sur la circulation de l'information dans le réseau au fil du temps[15].

Applications des réseaux climatiques[modifier | modifier le code]

Les réseaux climatiques permettent de comprendre la dynamique du système climatique à de nombreuses échelles spatiales. La centralité du degré local et les mesures connexes ont été utilisées pour identifier les super-nœuds et les associer aux interrelations dynamiques connues dans l'atmosphère, appelées modèles de téléconnexion. Il a été observé que les réseaux climatiques possèdent des propriétés de « petit monde » en raison des connexions spatiales à longue distance[16].

Les températures dans différentes zones du monde ne montrent pas de changements significatifs dus à El Niño, sauf lorsqu'elles sont mesurées dans une zone restreinte de l'océan Pacifique. En revanche, l'équipe de Yamasaki a constaté que la dynamique d'un réseau climatique basé sur les mêmes relevés de température, dans diverses zones géographiques du monde, est fortement influencée par El Niño. Pendant le phénomène El Niño, de nombreuses liaisons du réseau sont rompues et le nombre de liaisons survivantes constitue une mesure spécifique et sensible des événements El Niño. Alors que pendant les périodes non-El Niño, ces liens, qui représentent des corrélations entre les températures de différents sites, sont plus stables. Les fluctuations rapides des corrélations observées pendant les périodes El Niño provoquent la rupture de ces liens[17].

De plus, l'équipe de Gozolchiani a présenté la structure et l'évolution du réseau climatique dans différentes zones géographiques et a constaté que le réseau réagit d'une manière unique aux événements El Niño et que lorsque ceux-ci commencent, le bassin El Niño perd son influence sur son environnement et devient presque entièrement autonome. La formation d'un bassin autonome est le chaînon manquant pour comprendre les phénomènes apparemment contradictoires de l'affaiblissement des interdépendances du réseau climatique pendant El Niño et l'impact connu des anomalies du bassin El Niño sur le système climatique mondial[18].

L'équipe de Steinhaeuser a appliqué des réseaux complexes pour explorer la dépendance multivariée et multi-échelle des données climatiques. Les conclusions du groupe suggèrent une similarité étroite des modèles de dépendance observés dans de multiples variables sur de multiples échelles temporelles et spatiales[19].

Tsonis et Roeber ont étudié l'architecture de couplage du réseau climatique. Il a été constaté que le réseau global émerge de sous-réseaux entrelacés. Un sous-réseau fonctionne à des altitudes plus élevées et un autre fonctionne sous les tropiques, tandis que le sous-réseau équatorial agit comme un agent reliant les deux hémisphères. Bien que les deux réseaux possèdent des propriétés du « petit monde », les deux sous-réseaux sont significativement différents l'un de l'autre en termes de propriétés de réseau comme la distribution des degrés[20].

L'équipe de Donges a appliqué les réseaux climatiques à la physique et aux interprétations dynamiques non linéaires du climat. L'équipe a utilisé la mesure de la centralité des nœuds, la centralité intermédiaire (BC) pour démontrer les structures ondulatoires dans les champs BC des réseaux climatiques construits à partir de la réanalyse moyenne mensuelle et des données de thermométrie (SAT) du modèle atmosphère-océan couplé à la circulation générale (AOGCM)[21].

Le profil des fluctuations quotidiennes locales des champs climatiques, telles que les températures et les hauteurs géopotentielles, n'est pas stable et difficile à prévoir. Étonnamment, Berezin a constaté que les relations observées entre de telles fluctuations dans différentes régions géographiques donnent un modèle de réseau très robuste qui reste très stable dans le temps[22].

L'équipe de Ludescher a trouvé des preuves qu'un mode de coopération à grande échelle — reliant le bassin El Niño (couloir équatorial du Pacifique) et le reste de l'océan — s'est développé au cours de l'année civile précédant l'événement. Sur cette base, ils ont mis au point un programme efficace de prévision sur douze mois des phénomènes El Niño[23]. Léquipe de Jing-fang a également étudié l'impact global d'El Niño, en utilisant l'approche des réseaux climatiques[24].

Le schéma de connectivité des réseaux basé sur les relevés de température au niveau du sol montre une bande dense de liens dans les tropiques extra-atmosphériques de l'hémisphère sud. L'équipe de Wang[25] a montré que la catégorisation statistique de ces liens permet d'établir une association claire avec la configuration des ondes de Rossby, l'un des principaux mécanismes associés au système météorologique et au transport d'énergie à l'échelle planétaire. Il est montré que les densités alternées de liaisons négatives et positives sont disposées sur des distances d'ondes de Rossby d'environ 3 500, 7 000 et 10 000 km et sont alignées avec la direction prévue du flux d'énergie, la distribution des retards dans le temps et le caractère saisonnier de ces ondes. En outre, les liaisons interurbaines associées aux ondes de Rossby sont les liaisons les plus importantes d distances d'ondes distances d'ondesu réseau climatique[pas clair][26].

Voie de téléconnexion[modifier | modifier le code]

Les téléconnexions jouent un rôle important dans la dynamique du climat. Une méthode de réseau climatique a été développée pour identifier les voies directes sur le globe des téléconnections[27].

Les téléconnexions sont des configurations spatiales de l'atmosphère qui relient les anomalies météorologiques et climatiques sur de grandes distances à travers le monde. Les téléconnexions ont la caractéristique d'être persistantes, de durer une à deux semaines, et souvent beaucoup plus longtemps, et elles sont récurrentes, car des schémas similaires ont tendance à se répéter. La présence de téléconnexions est associée à des changements dans la température, le vent, les précipitations, les variables atmosphériques les plus intéressantes pour la société[28].

Problèmes et défis liés à la simulation numérique[modifier | modifier le code]

Il existe de nombreux défis de calcul qui se posent à différentes étapes du processus de construction et d'analyse des réseaux dans le domaine des réseaux climatiques[29] :

  1. Le calcul des corrélations par paire entre tous les points nodaux est une tâche non triviale.
  2. Les exigences de calcul de la construction d'un réseau, qui dépend de la résolution de la grille spatiale.
  3. La génération de modèles prédictifs à partir des données pose des défis supplémentaires.
  4. La prise en compte des effets de retard et de dérive dans l'espace et dans le temps est une tâche non triviale.

Références[modifier | modifier le code]

  1. (en) Réka Albert et Albert-László Barabási, « Statistical mechanics of complex networks », Reviews of Modern Physics, vol. 74, no 1,‎ , p. 47–97 (DOI 10.1103/RevModPhys.74.47, lire en ligne, consulté le ).
  2. (en) Reuven Cohen et Shlomo Havlin, « Complex Networks: Structure, Robustness and Function », sur Cambridge Core, (DOI 10.1017/cbo9780511780356, consulté le ).
  3. (en) Anastasios A. Tsonis, Kyle L. Swanson et Paul J. Roebber, « What Do Networks Have to Do with Climate? », Bulletin of the American Meteorological Society, vol. 87, no 5,‎ , p. 585–596 (ISSN 0003-0007, DOI 10.1175/BAMS-87-5-585, lire en ligne, consulté le ).
  4. (en) K. Yamasaki, A. Gozolchiani et S. Havlin, « Climate Networks around the Globe are Significantly Affected by El Niño », Physical Review Letters, vol. 100, no 22,‎ , p. 228501 (DOI 10.1103/PhysRevLett.100.228501, lire en ligne, consulté le ).
  5. (en) Karsten Steinhaeuser, Auroop R. Ganguly et Nitesh V. Chawla, « Multivariate and multiscale dependence in the global climate system revealed through complex networks », Climate Dynamics, vol. 39, nos 3-4,‎ , p. 889–895 (ISSN 0930-7575 et 1432-0894, DOI 10.1007/s00382-011-1135-9, lire en ligne, consulté le ).
  6. (en) K. Yamasaki, A. Gozolchiani et S. Havlin, « Climate Networks around the Globe are Significantly Affected by El Ni\~no », Physical Review Letters, vol. 100, no 22,‎ , p. 228501 (DOI 10.1103/PhysRevLett.100.228501, lire en ligne, consulté le )
  7. (en) Karsten Steinhaeuser, Nitesh V. Chawla et Auroop R. Ganguly, « Complex networks as a unified framework for descriptive analysis and predictive modeling in climate science », Statistical Analysis and Data Mining: The ASA Data Science Journal, vol. 4, no 5,‎ , p. 497–511 (ISSN 1932-1872, DOI 10.1002/sam.10100, lire en ligne, consulté le ).
  8. (en) J. F. Donges, Y. Zou, N. Marwan et J. Kurths, « Complex networks in climate dynamics: Comparing linear and nonlinear network construction methods », The European Physical Journal Special Topics, vol. 174, no 1,‎ , p. 157–179 (ISSN 1951-6355 et 1951-6401, DOI 10.1140/epjst/e2009-01098-2, lire en ligne, consulté le ).
  9. (en) A. Gozolchiani, S. Havlin et K. Yamasaki, « Emergence of El Ni\~no as an Autonomous Component in the Climate Network », Physical Review Letters, vol. 107, no 14,‎ , p. 148501 (DOI 10.1103/PhysRevLett.107.148501, lire en ligne, consulté le ).
  10. (en) Yang Wang, Avi Gozolchiani, Yosef Ashkenazy et Yehiel Berezin, « Dominant Imprint of Rossby Waves in the Climate Network », Physical Review Letters, vol. 111, no 13,‎ , p. 138501 (DOI 10.1103/PhysRevLett.111.138501, lire en ligne, consulté le ).
  11. (en) Réka Albert et Albert-László Barabási, « Statistical mechanics of complex networks », Reviews of Modern Physics, vol. 74, no 1,‎ , p. 47–97 (ISSN 0034-6861 et 1539-0756, DOI 10.1103/RevModPhys.74.47, lire en ligne, consulté le ).
  12. (en) O. Guez, A. Gozolchiani, Y. Berezin et Y. Wang, « Global climate network evolves with North Atlantic Oscillation phases: Coupling to Southern Pacific Ocean », EPL (Europhysics Letters), vol. 103, no 6,‎ , p. 68006 (ISSN 0295-5075 et 1286-4854, DOI 10.1209/0295-5075/103/68006, lire en ligne, consulté le ).
  13. (en) Karsten Steinhaeuser, Nitesh V. Chawla et Auroop R. Ganguly, « Complex networks as a unified framework for descriptive analysis and predictive modeling in climate science », Statistical Analysis and Data Mining, vol. 4, no 5,‎ , p. 497–511 (DOI 10.1002/sam.10100, lire en ligne, consulté le ).
  14. (en) Kawale J.; Liess S.; Kumar A.; Steinbach M.; Ganguly AR.; Samatova F; Semazzi F; Snyder K; Kumar V., « "Data Guided Discovery of Dynamic Climate Dipoles" », .
  15. (en) Imme Ebert-Uphoff et Yi Deng, « A new type of climate network based on probabilistic graphical models: Results of boreal winter versus summer: CLIMATE NETWORK BASED ON GRAPHICAL MODEL », Geophysical Research Letters, vol. 39, no 19,‎ , n/a–n/a (DOI 10.1029/2012GL053269, lire en ligne, consulté le ).
  16. (en) Anastasios A. Tsonis, Kyle L. Swanson et Paul J. Roebber, « What Do Networks Have to Do with Climate? », Bulletin of the American Meteorological Society, vol. 87, no 5,‎ , p. 585–596 (ISSN 0003-0007, DOI 10.1175/BAMS-87-5-585, lire en ligne, consulté le ).
  17. (en) K. Yamasaki, A. Gozolchiani et S. Havlin, « Climate Networks around the Globe are Significantly Affected by El Niño », Physical Review Letters, vol. 100, no 22,‎ , p. 228501 (DOI 10.1103/PhysRevLett.100.228501, lire en ligne, consulté le ).
  18. (en) A. Gozolchiani, S. Havlin et K. Yamasaki, « Emergence of El Niño as an Autonomous Component in the Climate Network », Physical Review Letters, vol. 107, no 14,‎ , p. 148501 (ISSN 0031-9007 et 1079-7114, DOI 10.1103/PhysRevLett.107.148501, lire en ligne, consulté le ).
  19. (en) Karsten Steinhaeuser, Auroop R. Ganguly et Nitesh V. Chawla, « Multivariate and multiscale dependence in the global climate system revealed through complex networks », Climate Dynamics, vol. 39, nos 3-4,‎ , p. 889–895 (ISSN 0930-7575 et 1432-0894, DOI 10.1007/s00382-011-1135-9, lire en ligne, consulté le ).
  20. (en) A.A. Tsonis et P.J. Roebber, « The architecture of the climate network », Physica A: Statistical Mechanics and its Applications, vol. 333,‎ , p. 497–504 (DOI 10.1016/j.physa.2003.10.045, lire en ligne, consulté le ).
  21. (en) J. F. Donges, Y. Zou, N. Marwan et J. Kurths, « The backbone of the climate network », EPL (Europhysics Letters), vol. 87, no 4,‎ , p. 48007 (ISSN 0295-5075 et 1286-4854, DOI 10.1209/0295-5075/87/48007, lire en ligne, consulté le ).
  22. (en) Y. Berezin, A. Gozolchiani, O. Guez et S. Havlin, « Stability of Climate Networks with Time », Scientific Reports, vol. 2, no 1,‎ , p. 666 (ISSN 2045-2322, PMID 22993691, PMCID PMC3444802, DOI 10.1038/srep00666, lire en ligne, consulté le ).
  23. (en) Josef Ludescher, Avi Gozolchiani, Mikhail I. Bogachev et Armin Bunde, « Improved El Niño forecasting by cooperativity detection », Proceedings of the National Academy of Sciences, vol. 110, no 29,‎ , p. 11742–11745 (ISSN 0027-8424 et 1091-6490, PMID 23818627, PMCID PMC3718177, DOI 10.1073/pnas.1309353110, lire en ligne, consulté le ).
  24. (en) Jingfang Fan, Jun Meng, Yosef Ashkenazy et Shlomo Havlin, « Network analysis reveals strongly localized impacts of El Niño », Proceedings of the National Academy of Sciences, vol. 114, no 29,‎ , p. 7543–7548 (ISSN 0027-8424 et 1091-6490, DOI 10.1073/pnas.1701214114, lire en ligne, consulté le ).
  25. (en) Yang Wang, Avi Gozolchiani, Yosef Ashkenazy et Yehiel Berezin, « Dominant Imprint of Rossby Waves in the Climate Network », Physical Review Letters, vol. 111, no 13,‎ , p. 138501 (DOI 10.1103/PhysRevLett.111.138501, lire en ligne, consulté le ).
  26. (en) Oded C. Guez, Avi Gozolchiani et Shlomo Havlin, « Influence of autocorrelation on the topology of the climate network », Physical Review E, vol. 90, no 6,‎ , p. 062814 (ISSN 1539-3755 et 1550-2376, DOI 10.1103/PhysRevE.90.062814, lire en ligne, consulté le ).
  27. (en) Dong Zhou, Avi Gozolchiani, Yosef Ashkenazy et Shlomo Havlin, « Teleconnection Paths via Climate Network Direct Link Detection », Physical Review Letters, vol. 115, no 26,‎ , p. 268501 (ISSN 0031-9007 et 1079-7114, DOI 10.1103/PhysRevLett.115.268501, lire en ligne, consulté le ).
  28. J. F. Donges, Y. Zou, N. Marwan et J. Kurths, « The backbone of the climate network », EPL (Europhysics Letters), vol. 87, no 4,‎ , p. 48007 (ISSN 0295-5075 et 1286-4854, DOI 10.1209/0295-5075/87/48007, lire en ligne, consulté le ).
  29. (en) Karsten Steinhaeuser, Nitesh V. Chawla et Auroop R. Ganguly, « Complex networks as a unified framework for descriptive analysis and predictive modeling in climate science », Statistical Analysis and Data Mining, vol. 4, no 5,‎ , p. 497–511 (ISSN 1932-1864, DOI 10.1002/sam.10100, lire en ligne, consulté le ).

Voir aussi[modifier | modifier le code]