Une étude menée par des scientifiques allemands d'Iéna et de Hambourg, publié aujourd'hui dans la revue La nature , montre que l'intelligence artificielle (IA) peut considérablement améliorer notre compréhension du climat et du système terrestre. En particulier, le potentiel de l'apprentissage en profondeur n'a été que partiellement épuisé jusqu'à présent. En particulier, processus dynamiques complexes tels que les ouragans, propagation du feu, et la dynamique de la végétation peut être mieux décrite avec l'aide de l'IA. Par conséquent, les modèles du climat et du système Terre seront améliorés, avec de nouveaux modèles alliant intelligence artificielle et modélisation physique.

Au cours des dernières décennies, les attributs principalement statiques ont été étudiés à l'aide d'approches d'apprentissage automatique, comme la distribution des propriétés du sol de l'échelle locale à l'échelle mondiale. Depuis quelque temps maintenant, il a été possible d'aborder des processus plus dynamiques en utilisant des techniques d'apprentissage en profondeur plus sophistiquées. Cela permet par exemple de quantifier la photosynthèse globale sur terre avec prise en compte simultanée des variations saisonnières et à court terme.

Déduire les lois sous-jacentes à partir des données d'observation

"D'une pléthore de capteurs, un déluge de données du système terrestre est devenu disponible, mais jusqu'à présent, nous avons pris du retard dans l'analyse et l'interprétation, " explique Markus Reichstein, directeur général de l'Institut Max Planck de biogéochimie à Iéna, membre du conseil d'administration du Michael-Stifel-Center Jena (MSCJ) et premier auteur de la publication. "C'est là que les techniques d'apprentissage en profondeur deviennent un outil prometteur, au-delà des applications classiques d'apprentissage automatique telles que la reconnaissance d'images, traitement du langage naturel ou AlphaGo, " ajoute le co-auteur Joachim Denzler du Computer Vision Group de l'Université Friedrich Schiller d'Iéna (FSU) et membre du MSCJ. Des exemples d'application sont les événements extrêmes tels que la propagation des incendies ou les ouragans, qui sont des processus très complexes influencés par les conditions locales mais aussi par leur contexte temporel et spatial. Ceci s'applique également au transport atmosphérique et océanique, mouvement du sol, et la dynamique de la végétation, certains des sujets classiques de la science du système Terre.

L'intelligence artificielle pour améliorer les modèles du climat et du système terrestre

Cependant, les approches d'apprentissage en profondeur sont difficiles. Toutes les approches basées sur les données et statistiques ne garantissent pas la cohérence physique en soi, dépendent fortement de la qualité des données, et peut rencontrer des difficultés avec les extrapolations. Outre, l'exigence de capacité de traitement et de stockage des données est très élevée. La publication traite de toutes ces exigences et de ces obstacles et développe une stratégie pour combiner efficacement l'apprentissage automatique et la modélisation physique. Si les deux techniques sont réunies, des modèles dits hybrides sont créés. Ils peuvent par exemple être utilisés pour modéliser le mouvement de l'eau océanique afin de prédire la température de surface de la mer. Alors que les températures sont modélisées physiquement, le mouvement de l'eau océanique est représenté par une approche d'apprentissage automatique. "L'idée est de combiner le meilleur de deux mondes, la cohérence des modèles physiques avec la polyvalence du machine learning, obtenir des modèles grandement améliorés, ", explique encore Markus Reichstein.

Les scientifiques soutiennent que la détection et l'alerte précoce des événements extrêmes ainsi que la prévision et la projection saisonnières et à long terme du temps et du climat bénéficieront fortement des approches d'apprentissage en profondeur et de modélisation hybride discutées.