Work

Modélisation Prévisionnelle Hybride v7.0 (Architecture Deep Learning LSTM)

Year: 2026
Type: preprint
Abstract: Le document détaille la conception et l'évaluation d'un modèle climatique prévisionnel hybride (LSTM v7.0) visant à anticiper les points de bascule thermiques complexes. Architecture holistique : Le réseau ingère des séquences continues de 24 mois pour modéliser l'inertie thermodynamique globale. Son originalité repose sur le couplage de variables océano-atmosphériques classiques (ENSO, blocages) avec des forçages astrophysiques de long terme (cycles nodaux lunaires, rotation terrestre, rayons cosmiques). Adaptation en temps réel : Face aux anomalies climatiques récentes (test hors-échantillon sur 2024-2025), le modèle déploie une assimilation séquentielle douce (online learning). Cette mécanique lui permet d'atteindre une précision déterministe de 1,59 °C (RMSE), surpassant la climatologie historique de +7,13 %. Découverte par explicabilité (XAI) : L'algorithme Integrated Gradients révèle une véritable hiérarchie physique interne. Si l'océan pilote la prévision de fond, le réseau déplace massivement son attention vers la mécanique céleste lors des canicules extrêmes (+2,85 points d'influence pour les rayons cosmiques), validant l'hypothèse que ces forçages agissent comme des déclencheurs. Perspectives et limites : Si le prototype démontre une forte résilience déterministe, il souffre encore d'une sous-dispersion lors de l'évaluation probabiliste (MC-Dropout). La calibration stricte des intervalles de confiance constitue l'obstacle majeur à lever avant un déploiement institutionnel.
Language: French
Open Access status: green
OpenAlex ID: W7214186297
Cites:
Cited by:
Related to: 10