Apprentissage automatique nous aide à affiner les modèles climatiques

Des suggestions de films aux véhicules autonomes, l’apprentissage automatique a révolutionné la vie moderne. Les experts l’utilisent maintenant pour aider à résoudre l’un des plus grands problèmes de l’humanité : le changement climatique.

Grâce à l’apprentissage automatique, nous pouvons utiliser notre abondance de données et d’observations climatiques historiques pour améliorer les prévisions du climat futur de la Terre. Et ces prévisions auront un rôle majeur dans la réduction de notre impact climatique dans les années à venir.

Qu’est-ce que l’apprentissage automatique ?

L’apprentissage automatique est une branche de l’intelligence artificielle. Bien qu’il soit devenu un mot à la mode, il s’agit essentiellement d’un processus d’extraction de modèles à partir de données.

Les algorithmes d’apprentissage automatique utilisent des ensembles de données disponibles pour développer un modèle. Ce modèle peut ensuite faire des prédictions basées sur de nouvelles données qui ne faisaient pas partie de l’ensemble de données d’origine.

Pour en revenir à notre problème climatique, il existe deux approches principales par lesquelles l’apprentissage automatique peut nous aider à approfondir notre compréhension du climat : les observations et la modélisation.

Ces dernières années, la quantité de données disponibles provenant d’observations et de modèles climatiques a augmenté de façon exponentielle. Il est impossible pour les humains de tout traverser. Heureusement, les machines peuvent le faire pour nous.

L’IA et les ordinateurs peuvent grandement aider les efforts visant à créer des modèles climatiques précis pour l’avenir.

Observations depuis l’espace

Les satellites surveillent en permanence la surface de l’océan, donnant aux scientifiques un aperçu utile de l’évolution des flux océaniques.

La mission satellite de la NASA sur les eaux de surface et la topographie océanique (SWOT) – dont le lancement est prévu à la fin de l’année prochaine – vise à observer la surface de l’océan avec des détails sans précédent par rapport aux satellites actuels.

Mais un satellite ne peut pas observer tout l’océan à la fois. Il ne peut voir que la partie de l’océan en dessous. Et le satellite SWOT aura besoin de 21 jours pour parcourir tous les points du globe.

Existe-t-il un moyen de combler les données manquantes, afin que nous puissions avoir une image globale complète de la surface de l’océan à un moment donné ?

C’est là qu’intervient l’apprentissage automatique. Les algorithmes d’apprentissage automatique peuvent utiliser les données récupérées par le satellite SWOT pour prédire les données manquantes entre chaque révolution SWOT.

Obstacles à la modélisation climatique

Les observations nous renseignent sur le présent. Cependant, pour prédire le climat futur, nous devons nous appuyer sur des modèles climatiques complets.

Le dernier rapport climatique du GIEC a été informé par les projections climatiques de divers groupes de recherche à travers le monde. Ces chercheurs ont exécuté une multitude de modèles climatiques représentant différents scénarios d’émissions qui ont produit des projections sur des centaines d’années dans le futur.

Pour modéliser le climat, les ordinateurs superposent une grille de calcul sur les océans, l’atmosphère et la terre. Ensuite, en commençant par le climat d’aujourd’hui, ils peuvent résoudre les équations du mouvement des fluides et de la chaleur dans chaque case de cette grille pour modéliser comment le climat évoluera dans le futur.

La taille de chaque case de la grille est ce que nous appelons la « résolution » du modèle. Plus la taille de la boîte est petite, plus les détails de flux que le modèle peut capturer sont fins.

Mais exécuter des modèles climatiques qui projettent sur des centaines d’années met à genoux même les superordinateurs les plus puissants. Ainsi, nous sommes actuellement obligés d’exécuter ces modèles à une résolution grossière. En fait, c’est parfois si grossier que le flux ne ressemble en rien à la vraie vie.

Malheureusement, nous n’avons actuellement pas la puissance de calcul nécessaire pour exécuter des modèles climatiques à haute résolution et réalistes pour les projections climatiques.

Les climatologues tentent de trouver des moyens d’intégrer les effets des mouvements turbulents fins et à petite échelle de l’image ci-dessus à droite dans le modèle climatique à résolution grossière sur la gauche.

Si nous pouvons le faire, nous pouvons générer des projections climatiques qui sont plus précises, mais toujours réalisables sur le plan informatique. C’est ce que nous appelons la « paramétrisation », le Saint Graal de la modélisation climatique.

Simplement, c’est à ce moment-là que nous pouvons obtenir un modèle qui n’inclut pas nécessairement toutes les fonctionnalités de flux complexes à plus petite échelle (qui nécessitent d’énormes quantités de puissance de traitement) – mais qui peut toujours intégrer leurs effets dans le modèle global d’une manière plus simple et moins chère manière.

Une image plus claire

Certaines paramétrisations existent déjà dans les modèles à résolution grossière, mais ne font souvent pas un bon travail en intégrant les caractéristiques d’écoulement à plus petite échelle de manière efficace.

Les algorithmes d’apprentissage automatique peuvent utiliser les sorties de modèles climatiques réalistes à haute résolution (comme celui de droite ci-dessus) pour développer des paramétrisations beaucoup plus précises.

Au fur et à mesure que notre capacité de calcul augmentera, ainsi que nos données climatiques, nous pourrons utiliser des algorithmes d’apprentissage automatique de plus en plus sophistiqués pour passer au crible ces informations et fournir des modèles et des projections climatiques améliorés.

Navid Constantinou – Chercheur, Université nationale australienne