La modélisation précise des événements de précipitations extrêmes reste un défi majeur pour les modèles climatiques. Ces modèles prédisent comment le climat de la Terre peut changer au cours des décennies, voire des siècles. Pour les améliorer notamment vis-à-vis des événements extrêmes, les chercheurs utilisent désormais des méthodes d'apprentissage automatique autrement appliquées à la génération d'images.

Les ordinateurs utilisent déjà l'intelligence artificielle pour améliorer la résolution des images floues, pour créer des images imitant le style de peintres particuliers à partir de photographies ou pour rendre des portraits réalistes de personnes qui n'existent pas réellement. La méthode sous-jacente est basée sur ce que l'on appelle les GAN (Generative Adversarial Networks).

Une équipe dirigée par Niklas Boers, professeur de modélisation du système terrestre à l'Université technique de Munich (TUM) et chercheur au Potsdam Institute for Climate Impact Research (PIK) applique désormais ces algorithmes d'apprentissage automatique à la recherche sur le climat. Le groupe de recherche a récemment publié ses conclusions dans Nature Machine Intelligence .

Tous les processus ne peuvent pas être pris en compte

"Les modèles climatiques diffèrent des modèles utilisés pour faire des prévisions météorologiques, notamment en termes d'horizon temporel plus large. L'horizon de prévision des prévisions météorologiques est de plusieurs jours, tandis que les modèles climatiques effectuent des simulations sur des décennies, voire des siècles", explique Philipp Hess, auteur principal. de l'associé d'étude et de recherche à la chaire TUM pour la modélisation du système terrestre.

Le temps peut être prédit assez exactement pour quelques jours; la prédiction peut ensuite être vérifiée sur la base d'observations réelles. En ce qui concerne le climat, cependant, l'objectif n'est pas une prédiction basée sur le temps, mais entre autres des projections de l'impact de l'augmentation des émissions de gaz à effet de serre sur le climat de la Terre à long terme.

Cependant, les modèles climatiques ne peuvent toujours pas parfaitement prendre en compte tous les processus climatiques pertinents. C'est d'une part parce que certains processus ne sont pas encore suffisamment compris, et d'autre part parce que des simulations détaillées prendraient trop de temps et nécessiteraient trop de puissance de calcul. "Par conséquent, les modèles climatiques ne peuvent toujours pas représenter les événements de précipitations extrêmes comme nous le souhaiterions. Nous avons donc commencé à utiliser les GAN pour optimiser ces modèles en ce qui concerne leur production de précipitations", explique Niklas Boers.

Optimiser les modèles climatiques avec des données météorologiques

En gros, un GAN se compose de deux réseaux de neurones. Un réseau tente de créer un exemple à partir d'un produit préalablement défini, tandis que l'autre essaie de distinguer cet exemple généré artificiellement des exemples réels. Les deux réseaux se font ainsi concurrence, s'améliorant en permanence.

Une application pratique des GAN serait de "traduire" des peintures de paysages en photographies réalistes. Les deux réseaux de neurones prennent des images photoréalistes générées sur la base de la peinture et les envoient dans les deux sens jusqu'à ce que les images créées ne puissent plus être distinguées des photographies réelles.

L'équipe de Niklas Boers a adopté une approche similaire :les chercheurs ont utilisé un modèle climatique relativement simple pour démontrer le potentiel de l'apprentissage automatique pour améliorer ces modèles. Les algorithmes de l'équipe utilisent des données météorologiques observées. À l'aide de ces données, l'équipe a entraîné le GAN à modifier les simulations du modèle climatique afin qu'elles ne puissent plus être distinguées des observations météorologiques réelles.

"De cette façon, le degré de détail et de réalisme peut être augmenté sans avoir besoin de calculs de processus supplémentaires compliqués", explique Markus Drücke, modélisateur climatique chez PIK et co-auteur de l'étude.

Les GAN peuvent réduire la consommation d'électricité dans la modélisation climatique

Même les modèles climatiques relativement simples sont complexes et sont traités à l'aide de superordinateurs qui consomment de grandes quantités d'énergie. Plus le modèle prend en compte de détails, plus les calculs deviennent compliqués et plus la quantité d'électricité utilisée est importante. Les calculs impliqués dans l'application d'un GAN formé à une simulation climatique sont cependant négligeables par rapport à la quantité de calculs requis pour le modèle climatique lui-même.

"L'utilisation des GAN pour rendre les modèles climatiques plus détaillés et plus réalistes est donc pratique non seulement pour l'amélioration et l'accélération des simulations, mais aussi en termes d'économie d'électricité", déclare Philipp Hess. + Explorer plus loin

Une nouvelle étude contribuera à améliorer la précision des modèles de changement climatique et des prévisions météorologiques