Documente Academic
Documente Profesional
Documente Cultură
METEOROLOGIE THEORIQUE
CHAOS ET MÉTÉOROLOGIE
Jean-François Royer
Météo-France, CNRM
42, avenue G. Coriolis
31057 Toulouse Cedex, FRANCE
et Catherine Nicolis
Institut royal météorologique de Belgique
Avenue circulaire 3
1180 Bruxelles, BELGIQUE
ABSTRACT Research on deterministic chaos has allowed to unify and to renovate the
understanding and analysis of the behaviour of complex Systems by providing
new concepts and new methods. Atmospheric sciences hâve benefited from
thèse new techniques : simplified models have helped to understand the
mechanisms which give birth to the aperiodic fluctuations observed at différent
time scales. Applications of non-linear methods to the analysis of meteorological
and climatic séries have led to a better description of the characteristics of the
atmospheric attractor (dimension, Lyapunov exponents, error growth). Chaos
theory has thus contributed to a deeper understanding of the dynamical basis
of atmospheric predictability. The aim of this article is to report on the state of
the art in this interdisciplinary topic.
U n e c o n s é q u e n c e directe de
l'«apériodicité» des m o u v e m e n t s at-
m o s p h é r i q u e s est la g r a n d e difficulté
d e la p r é v i s i o n , v é r i f i é e q u o t i -
d i e n n e m e n t par t o u s les m é t é o -
rologistes. C o n t r a i r e m e n t aux p h é -
n o m è n e s périodiques et quasi-pério-
diques pour lesquels une prévision à
très long terme est possible, ainsi que
l'ont d é m o n t r é depuis l o n g t e m p s les
Figure 1 - Evolution de la température journalière à Uccle (Bruxelles) entrel 982 et 1990
succès impressionnants de l ' a s t r o -
n o m i e , la prévision m é t é o r o l o g i q u e
est très limitée dans le t e m p s . Les
progrès r e m a r q u a b l e s enregistrés au
cours d e s dernières d é c e n n i e s , suite
n o t a m m e n t à l'utilisation d ' o r d i n a -
teurs puissants, ont p e r m i s d'attein-
dre des prévisions fiables j u s q u ' à
plusieurs jours d ' é c h é a n c e . M a i s tou-
tes les expériences montrent que le
succès décroît a v e c l ' é c h é a n c e des
prévisions, et q u ' a u - d e l à de la di-
zaine de j o u r s , les prévisions quoti-
diennes deviennent aléatoires, en rai-
son de la croissance des incertitudes.
(1) Un certain nombre de termes techniques sont définis dans un encadré qui se trouve en fin d'article
e
La M é t é o r o l o g i e 8 série - n ° 5 - m a r s 1 9 9 4 41
On devrait à p r é s e n t c o n t i n u e r à
m o n t e r dans la hiérarchie de la c o m p l e x i t é
des figures dans l ' e s p a c e . N o u s n ' a l l o n s p a s
(a)
effectuer u n e analyse exhaustive d e ce p r o -
b l è m e topologique difficile, et du reste, n o n
Figure 4 a - Evolution d'un système dissipatif vers un attracteur ponctuel entièrement résolu. N o u s p a s s e r o n s directe-
m e n t au c a s le plus c o m p l e x e q u e n o u s
connaissions actuellement, celui de
l'attracteur étrange (fig. 5). Contrairement
aux c a s d e s figures 4 a et 4b où, u n e fois sur
l'attracteur, le c o m p o r t e m e n t était stable et
régulier, on constate à présent q u e le sys-
tème exécute sur 1 ' attracteur un m o u v e m e n t
apériodique d ' a p p a r e n c e erratique qui n ' e s t
autre q u e le c h a o s déterministe auquel nous
a v o n s déjà fait allusion au p a r a g r a p h e 1. C e
c o m p o r t e m e n t résulte de deux tendances
o p p o s é e s : u n e instabilité selon certaines
directions de l'attracteur, en coexistence
p e r m a n e n t e avec u n e stabilisation q u i e m -
p ê c h e les trajectoires de s ' é c h a p p e r et les
réinjecte d a n s l'attracteur. O n peut m o n t r e r
que ces deux t e n d a n c e s antagonistes ne peu-
vent p a s s ' a c c o m m o d e r dans le cadre de
formes g é o m é t r i q u e s simples qui d é t e r m i -
naient les attracteurs de nos e x e m p l e s p r é c é -
dents d e s figures 4 a et 4 b . U n c h a n g e m e n t
(b) s ' i m p o s e , traduit par l'apparition d ' u n
attracteur fractal : un e n s e m b l e de points
constituant (dans le c a s particulier de la
Figure 4 b - Evolution d'un système dissipatif vers un attracteur périodique
fig. 5) un objet intermédiaire entre u n e
surface et un v o l u m e , dont la d i m e n s i o n (en général n o n entière) est supérieure à la
d i m e n s i o n q u e lui attribuerait la g é o m é t r i e euclidienne. O n est tenté de spéculer que
c 'est à d e tels objets qu ' il faudra faire appel p o u r analyser les p h é n o m è n e s c o m p l e x e s
relatifs à la variabilité a t m o s p h é r i q u e , é v o q u é s au p a r a g r a p h e 1 du présent article.
Pour étayer cette affirmation il n o u s faudra c e p e n d a n t arriver à caractériser la
c o m p l e x i t é associée au c h a o s et aux attracteurs fractals d ' u n e façon plus précise.
Figure 6 - Application de Poincaré induite par le modèle de la figure f=4 (xx(l -x) , 0 <x< 1 , 0 < ,u < 1 (lb)
5 sur la surface de section x = 0. On remarquera la réduction à une
dynamique quasi-unidimensionnelle fournit une illustration particulièrement édifiante. Les p r o g r è s
spectaculaires a c c o m p l i s en théorie du c h a o s ces 15 dernières
a n n é e s résultent en g r a n d e partie de la possibilité de r a m e n e r
un p r o b l è m e , régi au départ par un grand n o m b r e de variables c o u p l é e s de façon non-
linéaire, à des applications m o d è l e s de la forme de l'équation ( l a ) qui, malgré leur
simplicité, retiennent les caractéristiques essentielles de la d y n a m i q u e .
par e x e m p l e : T s o n i s , 1992). D e s
a l g o r i t h m e s , à présent bien établis,
permettent d ' é v a l u e r ces g r a n d e u r s à
partir des équations d ' é v o l u t i o n du
m o d è l e . C ' e s t ainsi q u e l'attracteur
c h a o t i q u e de la figure 5 est en fait u n
fractal de d i m e n s i o n d e corrélation
D ~ 2,4. C e s m ê m e s a l g o r i t h m e s
2
Modèles climatiques D e s m o d è l e s simplifiés ont également été appliqués à l'étude des variations
climatiques à long terme, telles que la récurrence des transitions glaciaire-interglaciaire
qui se répètent avec une pseudo-périodicité d ' e n v i r o n 100 0 0 0 ans. S a l t z m a n et al.
( 1 9 8 1 , 1 9 8 4 , 1 9 8 7 ) ont proposé un m o d è l e à 2 variables décrivant l'évolution de la
quantité totale de glace et de la température m o y e n n e de la surface des océans, ainsi
q u ' u n e série de m o d è l e s à 3 variables tenant c o m p t e en outre de la température de
la thermocline ou de la quantité de C O , dans l ' a t m o s p h è r e . Le m o d è l e à 2 variables
prévoit des c o m p o r t e m e n t s p é r i o d i q u e s , m a i s , en présence d ' u n forçage tenant
c o m p t e des variations d'insolation, une bifurcation vers un attracteur c h a o t i q u e peut
avoir lieu (Nicolis, 1987). D e s c o m p o r t e m e n t s apériodiques peuvent é g a l e m e n t être
générés par le c o u p l a g e de 2 oscillateurs de S a l t z m a n , simulant la d y n a m i q u e
couplée des deux h é m i s p h è r e s (Nicolis, 1984).
En c o n c l u s i o n , n o u s a v o n s vu q u e d e s solutions c h a o t i q u e s p e u v e n t être
o b t e n u e s d a n s les m o d è l e s que nous v e n o n s de passer en revue pour certaines valeurs
des p a r a m è t r e s de contrôle. C e p e n d a n t ces m o d è l e s , en raison de leur faible
troncature, ne sont pas totalement réalistes, et les régimes chaotiques obtenus ne sont
pas robustes vis-à-vis d ' u n e modification du m o d è l e , telle q u ' u n e a u g m e n t a t i o n de
ses degrés de liberté. Le c h a o s ainsi obtenu pourrait en partie être fictif. Pour
d é m o n t r e r que l ' a t m o s p h è r e obéit bien à une d y n a m i q u e c h a o t i q u e , il faut analyser
p l u s en détail les caractéristiques d e l'attracteur climatique ou a t m o s p h é r i q u e en
appliquant les techniques d ' a n a l y s e non linéaire sur les d o n n é e s e x p é r i m e n t a l e s .
F o r m u l o n s d ' a b o r d en t e r m e s quantitatifs le
p r o b l è m e de la c r o i s s a n c e d ' u n e petite erreur ini-
tiale e. Soient x un état initial sur l ' a t t r a c t e u r , ^ un
état vers lequel x est projeté suite à l'erreur en
g
|.| dans l ' e s p a c e des p h a s e s est arbitraire,mais dans ce qui suit on choisira la n o r m e
euclidienne.
d e ces d e u x t e n d a n c e s a n t a g o n i s t e s pour le m o d è l e
a t m o s p h é r i q u e à trois variables dont 1 ' attracteur est
m o n t r é d a n s la figure 5 . T r o i s étapes distinctes de
l ' é v o l u t i o n de l ' e r r e u r s'en d é g a g e n t : un court
intervalle de t e m p s pendant lequel les erreurs res-
tent petites (à condition bien sûr q u e £ l u i - m ê m e soit
petit); un r é g i m e intermédiaire où les erreurs tran-
sitent r a p i d e m e n t vers des valeurs a p p r é c i a b l e s aux
alentours d ' u n t e m p s t* ~ l/aln(l/e) pour lequel la
courbe < £ > présente un point d'inflexion; et
finalement un long intervalle où l'erreur atteint un
n i v e a u d e saturation d e l ' o r d r e d e l ' e x t e n s i o n d e
l'attracteur d a n s son e n s e m b l e (Nicolis et Nicolis,
1991 ; R o y e r e t a l . , 1993). C e c o m p o r t e m e n t est loin
d ' ê t r e limité au seul m o d è l e d e la figure 5 : il est
partagé par tous les s y s t è m e s c h a o t i q u e s p o s s é d a n t
d e s propriétés « e r g o d i q u e s » suffisamment fortes,
garantissant q u ' a u b o u t d ' u n t e m p s suffisant la
distribution de probabilité sur l'attracteur tend vers
Figure 9 - Evolution d'une erreur initiale la distribution invariante pjxj (cf. équation (2)).
moyenne E - 0 , 0 1 dans le modèle de la figure 5
A u vu de la définition de l ' e x p o s a n t de L y a p u n o v , on pourrait s ' a t t e n d r e à ce
que lors de la p r e m i è r e étape, la croissance d e l ' e r r e u r (début de l'évolution de la
figure 9) soit exponentielle, a v e c un e x p o s a n t égal au plus grand e x p o s a n t de
L y a p u n o v a. U n e étude détaillée de ce r é g i m e m o n t r e q u ' i l n ' e n est rien : la
croissance n ' e s t ni exponentielle, ni régie par o. En écrivant
<E> = ee V (3)
plus g r a n d e s q u e o ( c o m p o r t e m e n t s u r - e x p o n e n t i e l ) . U n e conjecture r a i s o n n a b l e
serait que, p o u r d e s v a l e u r s i n t e r m é d i a i r e s du t e m p s , a t t e n d e v e r s a . E n réalité, le
régime de petites erreurs c è d e e n t r e - t e m p s la place au r é g i m e transitoire vers le
niveau de saturation, de sorte q u e l ' e x p o s a n t o ne régit j a m a i s la loi de croissance d e s
erreurs. L ' e x p l i c a t i o n de ce p h é n o m è n e inattendu réside, une fois d e plus, d a n s la
variabilité de l'attracteur suite à laquelle les taux de d i v e r g e n c e l o c a u x s(x,t)
fluctuent c o n s i d é r a b l e m e n t autour de o (Nicolis et Nicolis, 1993). L ' o p é r a t i o n d e
m o y e n n e de ces effets locaux sur tout l'attracteur détruit le caractère exponentiel, à
cause de la d é p e n d a n c e non-linéaire d e l'erreur locale £ p a r rapport à s (x,t).
(
BIBLIOGRAPHIE Barkcr H.W. et B. Van Zyl, 1993 : Corrélation dimension of local, short-term climatic
attractors from observations and a global climate model. J. of Climate, 6, 858-861.
Cane M.A. et S.E. Zebiak, 1985 : A theory for the El Nino and the Southern Oscillation.
Science, 228, 1085-1087.
Charney J.G. et J.G. De Vore, 1979 : Multiple flow equilibria in the atmosphère and blocking.
.J. Atmos. ScL, 36, 1205-1216.
Essex C. et M.A.H. Nerenbcrg, 1991 : Comments on deterministic chaos : the science and the
fiction by D. Ruelle. Proc. R. Soc. Lond., A 435, 287-292.
Fraedrich K., 1986 : Estimating the dimensions of weather and climate attractors. J. Atmos.
ScL, 43, 419-432.
Fraedrich K., 1987 : Estimating weather and climate predictability on attractors. J. Atmos. ScL,
44, 722-728.
Grassberger P., 1986 : Do climatic attractors exist ? Nature, 323, 609-612.
Goldhirsch I., P.-L. Sulem et S.A. Orszag, 1987 : Stability and Lyapunov stability of
dynamical Systems : a differential approach and a numerical method. Physica, 27D, 311-337.
Guckenheimer J. et P. Holmes, 1983 : Nonlinear oscillations, dynamical Systems and
bifurcations of vector fields. Springcr, Berlin.
Hansen A.R. et A. Sutera, 1990 : Weather régimes in a gênerai circulation model. J. Atmos.
ScL, 47, 380-391.
Islam S., R.L. Bras et I. Rodriguez-lturbe, 1993 : A possible explanation for low corrélation
dimension estimâtes for the atmosphère. J. Appt. Meteor., 32, 203-208.
Keppenne C L . et C. Nicolis, 1989 : Global properties and local structure of the weather
attractor over western Europe. J. Atmos. ScL, 46, 2356-2370.
Krishnamurty V., B. N. Goswaniet R. Lcgnani, 1993 : Aconceptualmodelfortheaperiodicity
of interannual variability in the tropics. Geophys. Res. Lett., 20, 435-438.
Lasota A. et M. Mackey, 1985 : Probabilislic properties of deterministic Systems. Cambridge
University Press.
Lorenz E. N., 1963 : Deterministic nonperiodic flow.J. Atmos. ScL, 20, 130-141.
Lorenz E. N., 1980 : Attractor sets and quasi-geostrophic equilibrium. J. Atmos. ScL, 37,1685-
1699.
Lorenz E. N., 1982: Low-ordermodclsof atmospheric circulation. J. Meteor. Soc. Japan, 60,
255-267.
Lorenz E. N., 1984 : Irregularity : a fundamental property of the atmosphère. Tellus, 36A, 98-
110.
Lorenz E. N., 1990 : Can chaos and intransitivity lead to interannual variability ? Tellus, 42A,
378-389.
1K
Maasch K. A., 1989 : Calculating climate attractor dimension from ô 0 records by the
Grassberger-Procaccia algorithm. Climate Dynamics, 4, 45-55.
Nicolis C , 1984 : A plausible model for the synchroneity or the phase shift between climatic
transitions. Geophys. Res. Lett., 11, 587-590.
52 La M é t é o r o l o g i e 8e série - n° 5 - m a r s 1 9 9 4
Nicolis C , 1987 : Long term climatic variability and chaotic dynamics. Tellus, 39A, 1-9.
Nicolis C , 1990 : Chaotic dynamics, Markov processes and climate predictability. Tellus,
42A, 401-412.
Nicolis C. et G. Nicolis, 1984 : Is there a climatic attractor ? Nature, 311, 529-532.
N i c o l i s C. et G. N i c o l i s , 1991 : D y n a m i c s of error g r o w t h in u n s t a b l e Systems. Phys. Rev. ,
43A, 5720-5723.
Nicolis C. et G. Nicolis, 1993 : Finite time behavior of small errors in deterministic chaos and
Lyapunov exponents. Bifurcation and chaos, sous presse.
Nicolis G. et I. Prigogine, 1989 : Exploring complexity, Freeman, New York.
P a l m e r T.N., 1993 : Extended-range atmospheric prediction and the Lorenz model. Bull.
Amer. Meteor. Soc., 74, 49-65.
Royer J.F., R. Stroe et C. Nicolis, 1993 : Croissance de l'erreur d a n s un modèle atmosphérique
simple : c o m p a r a i s o n entre la loi logistique et la loi de Gompertz. C. R.Acad. Sci. Paris, t. 316,
Série II, 193-200.
Ruelle D., 1990 : D e t e r m i n i s t i c chaos : t h e science and the fiction. Proc. R. Soc. Lond., A 427,
241-248.
Saltzman B., A. Sutera et A. Evenson, 1981 : Structural stochastic stability of a simple auto-
oscillatory climate feedback System../. Atmos. Sci., 38, 494-503.
Saltzman B., A. Hansen et K. A. Maasch, 1984 : The late Quaternary glaciations as the
response of a three-component feedback System to earth-orbital forcing. J. Atmos. Sci., 4 1 ,
3380-3389.
Saltzman B., et A. Sutera, 1987 : The mid-Quaternary climatic transition as the free response
of a three variable dynamical model. J. Atmos. Sci., 44, 236-241.
Saltzman B., C. M. Tang et K. Maasch, 1989 : Folded résonance and seasonal vacillation in
a thermally forced baroclinic model. Atmosphera, 2, 131-154.
Sharifi M.B., K.P. Georgakakos et I. Rodriguez-Iturbe, 1990 : Evidence of deterministic
chaos in the puise of storm rainfall. J. Atmos. Sci, 47, 888-893.
Sommerer J.C. et E. Ott, 1993 : A physical System with qualitatively uncertain dynamics.
Nature, 365, 138-140.
Sundermeyer M. et G.K. Vallis, 1993 : Corrélation dimensions of primitive équations and
balanced models. J. Atmos. Sci., 50, 2556-2564.
Thompson P.D., 1957 : Uncertainty of initial state as a factor in the predictability of large-scale
atmospheric flow patterns. Tellus, 9, 275-295.
Tsonis A.A., 1992 : Chaos. From theory to applications. Plénum, New York.
Tsonis A.A. et J.B. Elsner, 1988 : The weather attractor over very short time scales. Nature,
333, 545-547.
Tsonis A.A., J.B. Elsner et K.P. Georgakatos, 1993 : Estimating the dimension of weather and
climate attractors : important issues about the procédure and interprétation. J. Atmos. Sci., 50,
2549-2555.
Vallis G.K., 1988 : Conceptual models of El Nino and the Southern Oscillation. J. Geophys.
Res., 93, 13979-13991.
Chaos : Introduit initialement par les philosophes Grecs pour désigner le vide, ce terme est à présent employé pour décrire
les évolutions apériodiques imprévisibles d'apparence aléatoire. La notion de chaos développé, ou chaos métrique, se
rapporte plus spécifiquement au cas où les lois d'évolution possèdent au moins un exposant de Lyapunov positif, conduisant
à une séparation exponentielle de trajectoires initialement voisines.
Croissance sur-exponentielle : Le taux de croissance de l'écart E au temps t entre deux trajectoires est par définition :
(
ce taux de croissance reste constant au cours du temps. Dans le cas général où o (t) varie, on parlera de croissance «sur-
etf
exponentielle» si o (t) augmente au cours du temps (do /dt > 0), et «sous-exponentielle» s'il décroît.
e)( s)f
Espace des phases : Un espace dont les coordonnées sont l'ensemble des variables indépendantes nécessaires pour
définir l'état d'un système dynamique.
La M é t é o r o l o g i e 8e série - n° 5 - m a r s 1994 53
Exposants de Lyapunov : On les définit en mesurant le taux logarithmique moyen de l'éloignement entre deux trajectoires
initialement voisines, dans la double limite d'une perturbation initiale infinitésimale et d'une trajectoire infiniment longue, soit:
σ= lim lim 1/t ln (δxt/ δxo)
t ∞ δxo>0
δxo et δxt étant respectivement l'écart initial et l'écart au temps t. Cette limite est indépendante du point initial, mais peut
dépendre de l'orientation spatiale de la perturbation initiale, et il y a en général autant d'exposants que de dimensions dans
l'espace des phases. Ils caractérisent la stabilité linéaire globale d'un système dynamique. Les exposants positifs
correspondent aux directions d'instabilité du système (divergence exponentielle des trajectoires), et les exposants négatifs
aux directions selon lesquelles les trajectoires sont attirées vers l'attracteur.
Dimensions généralisées : On peut les définir à partir d'un découpage de l'espace des phases en hypercubes disjoints
de côté ε. On compte le nombre de points p, contenus dans chacune des I cellules non vides qui constituent un recouvrement
de l'attracteur. La dimension Dq (dimension de Rényi) est définie par :
Dq = lim (1/q-1) log (Σpqi)/log ε
e— 0
L'extension de cette formule par continuité à q = 0 et q = 1 redonne la dimension fractale D et la dimension d'information
o
D,. La dimension D , connue sous le nom de «dimension de corrélation», est reliée à la distribution des distances entre deux
2
points de l'attracteur. Dans le cas d'un attracteur non homogène (dit «multifractal»), ces distances D sont une fonction
q
monotone décroissante de q.
Prévisibilité : La possibilité de prévoir le devenir d'un système dynamique à partir des informations relatives à son état
présent.
Propriétés ergodiques : Soit A une grandeur observable d'un système dynamique, généralement fonction de l'état
instantané x (représenté par un point dans l'espace des phases). On définit la moyenne temporelle A de A comme la moyenne
arithmétique des valeurs de A prises sur une longue durée de temps,
_ n
A =lim 1/(nDt) 2A(x(t))
i=1
n—<x>
où n est le nombre de données, prélevées aux instants f, tels que t - t = Dt. En présence d'une dynamique complexe, il
ui i
est naturel de recourir à une approche probabiliste, dont la grandeur centrale est la densité de probabilité de trouver le
système en un point x de l'espace des phases. Dans le cadre d'une telle approche on définit la moyenne probabiliste <A>
de A comme la moyenne prise à un instant donné sur un grand nombre de trajectoires émanant des différents points de
l'attracteur, pondérée par la densité de probabilité invariante p des états sur celui-ci.
s
où r désigne la partie de l'espace des phases délimitée par l'attracteur. Un système est dit ergodique si A = <A>. Les
systèmes chaotiques jouissent souvent de la propriété plus forte dite «de mélange», garantissant qu'une distribution initiale
p(x) dans l'espace des phases tend (dans un sens faible) vers la distribution invariante p sur l'attracteur. Au niveau d'une
s
observable, la propriété de mélange garantit que la corrélation entre deux valeurs A(ti) eiA(t2) de l'observable tend vers
zéro lorsque le décalage it2-tii tend vers l'infini.
Sensibilité aux conditions initiales : Propriété impliquant que deux états initialement voisins sur un attracteur voient par
la suite leur distance augmenter, en moyenne exponentiellement au cours du temps.
Taux local d'éloignement: Il caractérise le taux de croissance de l'écart Ef en un point x de l'attracteur entre une trajectoire
de référence et une trajectoire voisine provenant de l'application d'une petite perturbation initiale (au temps
t = o).
s(x,t) = (1/Et) dEf/dt = lim (1/dt) Ln ( E t+ a/Et)
dt —o
Ce taux local de croissance peut dépendre non seulement de la position du point sur l'attracteur mais aussi de l'écart initial
entre les deux trajectoires, et du temps pendant lequel les deux trajectoires ont évolué. La moyenne de s(x,t) le long d'une
trajectoire longue, à condition de partir d'une perturbation initiale suffisamment petite pour que l'évolution de l'erreur reste
linéaire, converge vers l'un des exposants de Lyapunov.