Aujourd'hui, Prédire ce que l'avenir réserve au climat de la Terre, c'est faire face à des incertitudes. Par exemple, les projections climatiques de base du Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) ont mis la hausse de la température mondiale d'un doublement du CO atmosphérique 2 niveaux—appelés « sensibilité au climat »—n'importe où entre 1,5 °C et 4,5 °C. Cet écart, qui n'a pas bougé depuis le premier rapport du GIEC en 1990, a des implications profondes pour le type d'événements environnementaux auxquels l'humanité peut vouloir se préparer.

Une partie de l'incertitude provient de la variabilité non forcée - des changements qui se produiraient même en l'absence d'augmentation du CO 2 — mais une partie de celle-ci découle du besoin de modèles pour simuler des processus complexes comme les nuages ​​et la convection. Récemment, les scientifiques du climat ont essayé de réduire les plages d'incertitude dans les modèles climatiques en utilisant une récente révolution informatique. Apprentissage automatique, qui est déjà en cours de déploiement pour une multitude d'applications (drug discovery, le contrôle du trafic aérien, et un logiciel de reconnaissance vocale, par exemple), s'étend maintenant à la recherche sur le climat, dans le but de réduire l'incertitude des modèles climatiques, en particulier en ce qui concerne la sensibilité climatique et la prévision des tendances régionales, deux des plus grands coupables de l'incertitude.

Paul O'Gorman, professeur agrégé au département de la Terre du MIT, Sciences Atmosphériques et Planétaires (EAPS) et membre du Programme en Atmosphères, Océans et Climat, discute de la place de l'apprentissage automatique dans la modélisation du climat, les pièges possibles et leurs remèdes, et les domaines dans lesquels l'approche est susceptible d'être le plus fructueuse.

Q :La sensibilité climatique et les changements climatiques régionaux semblent être une source de frustration pour les chercheurs. Quels sont les obstacles là-bas, et comment l'apprentissage automatique peut-il aider ?

R :Les modèles climatiques actuels sont déjà très utiles d'une part, mais ils sont également confrontés à des problèmes très difficiles, dont deux que vous avez mentionnés—la sensibilité climatique pour un doublement du dioxyde de carbone et les aspects régionaux des changements du climat, par exemple, comment les précipitations changent dans un certain pays. Pour ces deux problèmes, nous aimerions avoir des modèles climatiques plus précis, et ils doivent aussi être rapides car ils doivent être exécutés pendant plus de mille ans, typiquement, juste pour les amener dans l'état climatique actuel avant d'aller de l'avant dans les climats futurs.

C'est donc une question de précision et d'efficacité. Traditionnellement, les modèles climatiques sont largement basés sur la physique et la chimie de l'atmosphère et de l'océan, et les processus à la surface du sol. Mais ils ne peuvent pas inclure tout ce qui se passe dans l'atmosphère jusqu'à l'échelle millimétrique ou plus petite, ils doivent donc inclure des formules empiriques. Et ces formules empiriques sont appelées paramétrisations. Les paramétrisations représentent des processus complexes, comme les nuages ​​et la convection atmosphérique - dont un exemple serait les orages - qui se produisent à petite échelle par rapport à la taille de la Terre, ils sont donc difficiles à représenter avec précision pour les modèles climatiques mondiaux.

Une idée qui s'est imposée au cours des deux dernières années est d'utiliser l'apprentissage automatique pour représenter plus précisément ces aspects à petite échelle de l'atmosphère et de l'océan. L'idée serait de faire fonctionner un système très coûteux, modèle haute résolution qui peut résoudre le processus qui vous intéresse, par exemple, nuages ​​peu profonds, puis utilisez l'apprentissage automatique pour apprendre de ces simulations. C'est la première étape. La deuxième étape serait d'incorporer l'algorithme d'apprentissage automatique dans un modèle climatique pour donner, avec un peu de chance, un modèle climatique plus rapide et plus précis. Et c'est ce qu'explorent plusieurs groupes à travers le monde.

Q :Dans quelle mesure l'algorithme d'apprentissage automatique peut-il généraliser à partir d'une situation climatique, ou une région, à un autre?

R :C'est un gros point d'interrogation. Ce que nous avons découvert jusqu'à présent, c'est que si vous vous entraînez sur le climat actuel et essayez ensuite de simuler un climat beaucoup plus chaud, l'algorithme d'apprentissage automatique échouera car il s'appuie sur des analogies avec des situations du climat actuel qui ne s'étendent pas au climat plus chaud avec des températures plus élevées. Par exemple, les nuages ​​​​dans l'atmosphère ont tendance à monter plus haut dans un climat plus chaud. C'est donc une limitation si vous vous entraînez uniquement sur le climat actuel, mais bien sûr, une formation sur des climats plus chauds dans des modèles à haute résolution est également possible.

De façon intéressante, nous avons trouvé pour la convection atmosphérique que si vous vous entraînez sur le climat actuel et que vous passez ensuite à un climat plus froid, l'approche d'apprentissage automatique fonctionne bien. So there is an asymmetry between warming or cooling and how well these algorithms can generalize, at least for the case of atmospheric convection. The reason that the machine learning algorithm can generalize in the case of a cooling climate is that it can find examples at higher latitudes in the current climate to match the tropics of the colder climate. So different climates in different regions of the world help with generalization for climate change.

The other thing that may help is events like El Niño, where the global atmosphere on average gets a bit warmer, and so that could provide an analogy from which to learn. It's not a perfect analogy with global warming, but some of the same physics may be operating at higher temperatures so that could be something that the machine learning algorithm would automatically leverage to help to generalize to warmer climates.

Q:Does that mean there are certain areas of the climate system that machine learning will work better for versus others?

A:I was suggesting that we should train our machine learning algorithms on very expensive high-resolution simulations, but that only makes sense, bien sûr, if we have accurate high-resolution simulations for the process we are interested in. What we've been studying—atmospheric convection—is a good candidate because we can do quite accurate high-resolution simulations.

D'autre part, if one was interested in, par exemple, how the land surface responds to climate change and how it interacts with the atmosphere above it, it's more difficult because there's lots of complexity. We have different types of plants, different soil. It's very heterogeneous. It's not as straightforward to get the truth from which you want to learn from models in that case. And then if we say, "Well, for aspects of the climate system that don't have accurate expensive simulations, can we instead use observations?" Perhaps. But then we come back to the problem of trying to generalize to a different climate. So, I definitely think there are different parts of the climate system that are more amenable to the machine learning approach than others.

Aussi, some aspects of climate model simulations are already very good. Models are already doing well in simulating the large scale fluid dynamics of the atmosphere, par exemple. So those parts of climate models are very unlikely to be replaced with machine learning approaches that would be less flexible than a purely physics-based approach.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.