Cet article présente un nouveau modèle de prévision d'ensemble pour le phénomène d'oscillation australe El Niño (ENSO), un scénario de prévision à long terme complexe. Les modèles de prévision ENSO multimodaux existants (MEF) utilisent 80 prévisions d'ensemble issues de deux modules d'apprentissage profond : un CNN 3D et un module de séries temporelles. Cependant, la pondération et l'évaluation des membres individuels de l'ensemble sont limitées. Cette étude modélise directement la similarité entre les 80 membres de l'ensemble à l'aide d'une analyse graphique, identifiant et regroupant les prévisions similaires et précises. Une méthode de détection de communauté est utilisée pour obtenir un sous-ensemble optimisé de 20 membres, dont la moyenne est ensuite calculée pour produire la prévision finale. Cette méthode améliore les performances des prévisions en supprimant le bruit et en mettant l'accent sur la cohérence de l'ensemble, ce qui se traduit par des résultats plus stables et cohérents, notamment dans les situations de prévision à long terme. De plus, comme elle est indépendante du modèle, elle peut être appliquée à divers modèles de prévision.
