En évaluant les modèles climatiques, les experts évaluent généralement à travers une gamme de critères pour arriver à une évaluation globale de la fidélité du modèle. Ils utilisent leur connaissance du système physique et des objectifs scientifiques pour évaluer l'importance relative des différents aspects des modèles en présence de compromis. Burrows et al. (2018) montrent que les climatologues ajustent l'importance qu'ils accordent aux différents aspects d'une simulation en fonction de la question scientifique pour laquelle le modèle sera utilisé. Leur recherche montre également que le consensus des experts sur l'importance diffère selon les variables du modèle. Crédit: Avancées des sciences de l'atmosphère
Une équipe de recherche basée au Pacific Northwest National Laboratory à Richland, Washington, a publié les résultats d'une enquête internationale conçue pour évaluer l'importance relative que les climatologues attribuent aux variables lors de l'analyse de la capacité d'un modèle climatique à simuler le climat du monde réel. Les résultats, qui ont de sérieuses implications pour les études utilisant les modèles, ont été publiés en tant qu'article de couverture dans Avancées des sciences de l'atmosphère le 22 juin 2018.
« Les modélisateurs du climat consacrent beaucoup d'efforts à l'étalonnage de certains paramètres du modèle pour trouver une version de modèle qui fait un travail crédible de simulation du climat observé sur Terre, " dit Susannah Burrows, premier auteur de l'article et scientifique du Pacific Northwest National Laboratory, spécialisé dans l'analyse et la modélisation des systèmes terrestres.
Cependant, Burrows a noté, il existe peu d'études systématiques sur la manière dont les experts donnent la priorité à des variables telles que la couverture nuageuse ou la glace de mer lorsqu'ils jugent les performances des modèles climatiques.
"Différentes personnes peuvent arriver à des évaluations légèrement différentes de la "bonne" qualité d'un modèle particulier, en fonction des aspects auxquels ils accordent le plus d'importance, ", a déclaré Burrows.
Un modèle, par exemple, peut mieux simuler la glace de mer tandis qu'un autre modèle excelle dans la simulation de nuages. Chaque scientifique doit trouver un équilibre entre leurs priorités et objectifs concurrents, une chose difficile à saisir systématiquement dans les outils d'analyse de données.
"En d'autres termes, il n'y en a pas un seul, définition tout à fait objective de ce qui fait un « bon » modèle climatique, et ce fait est un obstacle au développement d'approches et d'outils plus systématiques pour aider aux évaluations et comparaisons de modèles, ", a déclaré Burrows.
Les chercheurs ont trouvé, à partir d'une enquête auprès de 96 participants représentant la communauté de la modélisation climatique, que les experts ont pris en considération des objectifs scientifiques spécifiques lorsqu'ils ont évalué l'importance des variables. Ils ont trouvé un degré élevé de consensus sur le fait que certaines variables sont importantes dans certaines études, comme les précipitations et l'évaporation dans l'évaluation du cycle de l'eau en Amazonie. Cet accord vacille sur d'autres variables, comme l'importance de simuler avec précision les vents de surface lors de l'étude du cycle de l'eau en Asie.
Il est important de comprendre ces écarts et de développer des approches plus systématiques pour l'évaluation des modèles, selon Burrows, puisque chaque nouvelle version d'un modèle climatique doit faire l'objet d'une évaluation importante, et l'étalonnage par plusieurs développeurs et utilisateurs. Le processus à forte intensité de main-d'œuvre peut prendre plus d'un an.
L'accordage, tout en étant conçu pour maintenir une norme rigoureuse, exige des experts qu'ils fassent des compromis entre des priorités concurrentes. Un modèle peut être calibré au détriment d'un objectif scientifique pour en atteindre un autre.
Burrows est membre d'une équipe de recherche interdisciplinaire du PNNL qui travaille à l'élaboration d'une solution plus systématique à ce problème d'évaluation. L'équipe comprend Aritra Dasgupta, Lisa Bramer, et Sarah Reehl, experts en data science et visualisation, et Yun Qian, Po-Lun Ma, et Phil Rasch, experts en climatologie.
Pour aider les modélisateurs climatiques à comprendre ces compromis plus clairement et plus efficacement, les chercheurs en visualisation construisent interactif, des interfaces visuelles intuitives qui permettent aux modélisateurs de résumer et d'explorer des informations complexes sur différents aspects des performances du modèle.
Les scientifiques des données travaillent à caractériser plus en détail l'évaluation des modèles climatiques par les experts, en s'appuyant sur les conclusions de l'enquête initiale. Finalement, les chercheurs visent à combiner une combinaison de métriques avec l'expertise humaine pour évaluer dans quelle mesure les modèles climatiques sont bien adaptés à des objectifs scientifiques spécifiques, ainsi que de prédire à quelle fréquence les experts seront d'accord ou en désaccord avec cette évaluation.
"[Nous prévoyons] de combiner le meilleur des deux mondes, utiliser l'informatique pour réduire l'effort manuel et permettre aux scientifiques d'appliquer plus efficacement leur perspicacité et leur jugement humains là où ils sont le plus nécessaires, ", a déclaré Burrows.
