Afin de mieux comprendre le changement climatique, il y a beaucoup de choses que nous ne savons pas encore. Mais la question n'est pas de savoir si le changement climatique se produit ou non. "Ce que nous entendons parfois aux infos, c'est une incertitude politique fabriquée, " dit Auroop Ganguly, professeur de génie civil et environnemental à Northeastern.

Au lieu, l'incertitude réelle du changement climatique découle du défi de simuler l'avenir. Qu'adviendra-t-il du réseau électrique de Boston dans des conditions météorologiques extrêmes à long terme ? Comment une centrale électrique à Phoenix serait-elle affectée par la diminution des ressources régionales ? Quand Atlanta devrait-elle investir dans la mise à jour de ses infrastructures hydrauliques ?

Les modèles actuels sont bons pour projeter les tendances régionales. Mais pour se préparer adéquatement aux effets futurs du changement climatique, les scientifiques doivent zoomer sur des endroits vulnérables tels que les villes côtières, écosystèmes menacés, et d'autres sites spécifiques.

Dans un article présenté cette semaine à la conférence de l'Association for Computing Machinery pour la découverte des connaissances et l'exploration de données, les chercheurs ont décrit une nouvelle stratégie pour y parvenir.

Thomas Vandal est doctorant en génie civil et environnemental à Northeastern et auteur principal de l'article, qui a reçu le deuxième prix du meilleur article dans le volet Applied Data Science. Vandal a travaillé avec Evan Kodra, le PDG de Northeastern spinout risQ, et les collaborateurs de la NASA Ames, Sangram Ganguly, Andrew Michaelis, et Ramakrishna Nemani, et son conseiller Auroop Ganguly, développer un système qui zoome sur les données climatiques pour produire des projections à plus haute résolution.

Apprendre aux cerveaux artificiels à apprendre

Simuler le climat est un exercice de voyage dans le temps. Afin de prédire l'avenir, les chercheurs doivent d'abord faire le point sur le passé, c'est-à-dire ils postulent avant de pouvoir prévoir.

Vandal a visité le centre de recherche Ames de la NASA où il a collecté et analysé des ensembles de données climatiques historiques qui mesurent des variables telles que la température, pluie, et l'altitude géographique, ainsi que les nombreuses données satellitaires de la NASA. Pour disputer cette quantité colossale de données, Vandal a utilisé une machine à la NASA Ames appelée Pleiades, l'un des supercalculateurs les plus puissants au monde.

L'objectif de l'équipe était de créer un cadre pour réduire l'échelle (ou zoomer) sur des ensembles de données climatiques historiques. Cela permettrait aux scientifiques de faire plus de détails, projections climatiques localisées.

Les chercheurs ont utilisé des technologies d'apprentissage en profondeur de pointe. L'apprentissage en profondeur est une innovation des réseaux de neurones artificiels, un système informatique basé vaguement sur les systèmes nerveux biologiques. L'apprentissage en profondeur permet aux réseaux de neurones artificiels de reconnaître des modèles et d'effectuer des tâches.

Vandale, qui a rejoint Northeastern après avoir travaillé pour plusieurs startups dans la région de Boston, a utilisé une technologie connexe appelée apprentissage automatique dans l'industrie pour l'analyse des expressions faciales et la reconnaissance des émotions. Mais après avoir rencontré Auroop Ganguly, il s'est rendu compte que la technologie pouvait emprunter une voie plus vertueuse en faisant une différence dans la science du climat, un domaine qui lui tient à cœur.

"Plutôt que d'utiliser l'apprentissage automatique pour amener les gens à cliquer sur des publicités ou à maximiser les pages vues, J'ai décidé que résoudre des problèmes en climatologie était une meilleure utilisation de mes compétences et de mon temps, " a déclaré Vandale.

Le résultat de la recherche de l'équipe est un cadre appelé DeepSD, qui signifie la réduction d'échelle statistique basée sur l'apprentissage en profondeur. Le système permet de mettre en évidence des ensembles de données climatiques disparates avec des degrés de détail variables.

"Ces ensembles de données à échelle réduite seront d'une immense valeur pour les chercheurs en climatologie et les modélisateurs écoclimatiques qui souhaitent tout étudier, de l'impact des écosystèmes aux changements climatiques pour les futurs scénarios de réchauffement, " dit Sangram Ganguly, l'un des co-auteurs de l'étude et chercheur principal au Bay Area Environmental Research Institute du NASA Ames Research Center.

Et ce n'est que le début. Vandal pense que le concept DeepSD pourrait être utilisé pour résoudre divers problèmes climatiques, du suivi des conditions météorologiques extrêmes à la prévision des catastrophes avec une plus grande confiance. Dans le monde de l'informatique, la technologie en est encore à ses balbutiements.

"Le domaine de l'informatique évolue très vite, " Auroop Ganguly a déclaré. "Une année, c'est comme un âge géologique dans d'autres domaines."