El Niño southern-oscillation prediction using southern oscillation index and Niño3 as onset indicators: Application of artificial neural networks

摘要

El Niño southern-oscillation (ENSO) is known to be the strongest climatic variation on seasonal to inter-annual time scales. It causes severe droughts, floods, fires, and hurricanes leading to economical disasters. This study explores the use of relatively simple inputs in developing artificial neural network (ANN) models for predicting the onset of ENSO by forecasting some of its indicators. Two indicators, southern oscillation index (SOI) and Niño3, were used one at a time to model the ENSO occurrence using monthly averaged data. Both models performed well in forecasting and predicting ENSO occurrence up to 12 months in advance. Correlation coefficient values of more than 0.8 and 0.9 (one month lead time), and above 0.7 and 0.8 (12 month lead time) were obtained for SOI and Niño3, respectively. Both models apply the feed forward multilayer perceptron network trained with error back-propagation algorithm. The final models were compared with each other and found to be highly consistent with 75% agreement in their forecasting ability. Key words: climate anomalies, ENSO, El Niño, La Niña, artificial neural networks, southern oscillation index (SOI), Niño3, teleconnections.L'oscillation australe El Niño (ENSO) est reconnue pour être la plus forte variation climatique aux échelles de temps saisonnières à interannuelles. Elle cause de graves sécheresses, des inondations, des feux et des ouragans, engendrant des désastres économiques. La présente étude examine l'utilisation d'entrées relativement simples pour le développement de modèles neuronaux artificiels afin de prédire l'apparition de l'ENSO en prédisant certains de ses indicateurs. Deux de ceux-ci, l'indice d'oscillation australe (IOS) et Niño3, ont été utilisés antérieurement pour modéliser l'occurrence de l'ENSO en utilisant les données mensuelles moyennes. Les deux modèles ont bien réussi à prévoir et à prédire l'occurrence de l'ENSO jusqu'à 12 mois à l'avance. Les valeurs du coefficient de corrélation de plus de 0,8 et 0,9 (période d'un mois d'avance) et au-dessus de 0,7 et 0,8 (période de 12 mois d'avance) ont respectivement été obtenus pour l'IOS et Niño3. Les deux modèles appliquent les réseaux neuronaux perceptron multicouches à rétropropagation non récurrents entraînés avec l'algorithme d'erreur de rétropropagation. Les modèles finaux ont été comparés l'un à l'autre et nous avons découvert qu'ils sont hautement compatibles, avec une concordance de 75 % de leur capacité prévisionnelle. Mots clés : anomalies climatiques, ENSO, El Niño, La Niña, réseaux neuronaux artificiels, indice d'oscillation australe (IOS), Niño3, téléconnexions.[Traduit par la rédaction]