Ce diagramme montre la zone couverte par le satellite SWOT après trois jours en orbite. Bien que SWOT permette des mesures de haute précision, les zones voisines de l'océan ne sont pas échantillonnées aussi fréquemment. Crédit :C. Ubelmann/CLS
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.
Avec 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.
Dans les années récentes, 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.
Observations depuis l'espace
Les satellites surveillent en permanence la surface de l'océan, donner aux scientifiques un aperçu utile de la façon dont les flux océaniques changent.
Vue d'artiste du satellite SWOT. Crédit :NASA/CERN, CC PAR
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 remplir 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, atmosphère et terre. Puis, 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 l'évolution future du climat.
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.
Ici, vous pouvez voir les courants de surface océaniques modélisés à deux résolutions différentes. Sur la gauche se trouve un modèle similaire à ceux généralement utilisés pour les projections climatiques. Le modèle de droite est beaucoup plus précis et réaliste, mais est malheureusement trop restrictif en termes de calcul pour être utilisé pour les projections climatiques. Crédit :COSIMA, Auteur fourni
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 réalité, c'est parfois si grossier que le flux ne ressemble en rien à la vraie vie.
Par exemple, les modèles océaniques utilisés pour les projections climatiques ressemblent généralement à celui de gauche ci-dessous. Mais en réalité, le flux océanique ressemble beaucoup plus à l'image de droite.
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 de l'amende, mouvements turbulents à petite échelle dans 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 plus précises, mais encore faisable 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.
Une image plus claire
Certaines paramétrisations existent déjà dans les modèles à grosse résolution, mais ne font souvent pas un bon travail en intégrant les caractéristiques de flux à plus petite échelle de manière efficace.
Les algorithmes d'apprentissage automatique peuvent utiliser des sorties réalistes, des modèles climatiques 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.
Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original. 
