D'après l'expérience de chacun, prévoir le temps de manière fiable à plus de quelques jours semble être une tâche impossible pour nos meilleures agences météorologiques. Pourtant, nous connaissons tous des exemples de 'dictons météorologiques' qui permettent à de vieux sages de prédire le temps qu'il fera demain sans résoudre les équations du mouvement, et parfois mieux que les prévisions officielles. À plus long terme, les modèles climatiques ont permis de prédire assez précisément la variation de la température moyenne de la Terre due aux émissions de CO2 sur une période de 50 ans.

À la fin des années 50 et 60, Lewis Fry Richardson, puis Edward Lorenz ont jeté les bases de la résolution de cette énigme, en s'appuyant sur des observations, des arguments phénoménologiques et des modèles d'ordre inférieur.

Les progrès actuels des mathématiques, de la physique des turbulences et des données d'observation permettent aujourd'hui d'aller au-delà de l'intuition et de tester la validité de l'effet papillon dans l'atmosphère et le climat. Pour cela, nous utiliserons de nouveaux outils théoriques et mathématiques et de nouvelles simulations numériques basées sur la projection des équations du mouvement sur une grille exponentielle permettant d'obtenir des valeurs réalistes/géophysiques des paramètres, à un coût modéré de calcul et de stockage.

L'objectif de ce doctorat est de mettre en œuvre les nouveaux outils sur des observations réelles de cartes météorologiques, afin d'essayer de détecter l'effet papillon sur des données réelles. À plus long terme, l'objectif sera d'étudier l'hypothèse de 'l'universalité statistique', de comprendre si et comment l'effet papillon conduit à des statistiques universelles qui peuvent être utilisées pour les prévisions climatiques, et si nous pouvons espérer construire de nouveaux « dictons météorologiques » en utilisant l'apprentissage automatique, permettant de prédire le climat ou le temps sans résoudre les équations.