Pour estimer le risque futur de conditions météorologiques extrêmes telles que les inondations à Boston, les décideurs politiques peuvent combiner les prévisions à grande échelle d'un modèle grossier avec un modèle à résolution plus fine réglé pour estimer la fréquence à laquelle Boston est susceptible de subir des inondations dévastatrices à mesure que le climat se réchauffe. Mais cette analyse des risques est aussi précise que les prédictions de ce premier modèle climatique, plus grossier.

"Si vous vous trompez pour les environnements à grande échelle, vous passez à côté de tout ce à quoi ressembleront les événements extrêmes à des échelles plus petites, par exemple au-dessus de villes individuelles", explique Themistoklis Sapsis, professeur William I. Koch et directeur du Centre d'ingénierie océanique du département de génie mécanique du MIT.

Sapsis et ses collègues ont développé une méthode pour « corriger » les prévisions des modèles climatiques grossiers. En combinant l'apprentissage automatique avec la théorie des systèmes dynamiques, l'approche de l'équipe « pousse » les simulations d'un modèle climatique vers des modèles plus réalistes à grande échelle.

Lorsqu'elle est associée à des modèles à plus petite échelle pour prédire des événements météorologiques spécifiques tels que des cyclones tropicaux ou des inondations, l'approche de l'équipe a produit des prévisions plus précises sur la fréquence à laquelle des endroits spécifiques connaîtront ces événements au cours des prochaines décennies, par rapport aux prévisions faites sans le système de correction.

Sapsis affirme que le nouveau système de correction est de forme générale et peut être appliqué à n’importe quel modèle climatique mondial. Une fois corrigés, les modèles peuvent aider à déterminer où et à quelle fréquence des conditions météorologiques extrêmes se produiront à mesure que les températures mondiales augmenteront au cours des années à venir.

"Le changement climatique aura un effet sur tous les aspects de la vie humaine et sur chaque type de vie sur la planète, de la biodiversité à la sécurité alimentaire en passant par l'économie", déclare Sapsis. "Si nous avons la capacité de savoir avec précision comment les conditions météorologiques extrêmes vont changer, en particulier dans des endroits spécifiques, cela peut faire une grande différence en termes de préparation et de mise en œuvre de l'ingénierie appropriée pour proposer des solutions. C'est la méthode qui peut ouvrir le façon de le faire."

Les résultats de l'équipe paraissent aujourd'hui dans le Journal of Advances in Modeling Earth Systems. .

Par-dessus le capot

Les modèles climatiques à grande échelle d'aujourd'hui simulent des caractéristiques météorologiques, telles que la température moyenne, l'humidité et les précipitations dans le monde, grille par grille. L'exécution de simulations de ces modèles nécessite une énorme puissance de calcul, et afin de simuler la manière dont les caractéristiques météorologiques interagiront et évolueront sur des périodes de plusieurs décennies ou plus, les modèles font la moyenne des caractéristiques tous les 100 kilomètres environ.

"Il s'agit d'un calcul très lourd nécessitant des supercalculateurs", note Sapsis. "Mais ces modèles ne résolvent toujours pas des processus très importants comme les nuages ​​ou les tempêtes, qui se produisent à des échelles plus petites, d'un kilomètre ou moins."

Pour améliorer la résolution de ces modèles climatiques grossiers, les scientifiques ont généralement essayé de corriger les équations dynamiques sous-jacentes d'un modèle, qui décrivent comment les phénomènes dans l'atmosphère et les océans devraient physiquement interagir.

"Les gens ont essayé d'analyser les codes des modèles climatiques développés au cours des 20 à 30 dernières années, ce qui est un cauchemar car vous pouvez perdre beaucoup de stabilité dans votre simulation", explique Sapsis. "Ce que nous faisons est une approche complètement différente, dans le sens où nous n'essayons pas de corriger les équations mais plutôt de corriger les résultats du modèle."

La nouvelle approche de l'équipe prend le résultat d'un modèle, ou simulation, et superpose un algorithme qui oriente la simulation vers quelque chose qui représente plus fidèlement les conditions du monde réel.

L'algorithme est basé sur un système d'apprentissage automatique qui collecte des données, telles que des informations passées sur la température et l'humidité dans le monde, et apprend les associations au sein des données qui représentent la dynamique fondamentale entre les caractéristiques météorologiques. L'algorithme utilise ensuite ces associations apprises pour corriger les prédictions d'un modèle.

"Ce que nous faisons, c'est essayer de corriger la dynamique, par exemple l'apparence d'une caractéristique météorologique extrême, telle que la vitesse du vent lors d'un ouragan Sandy, dans le modèle grossier par rapport à la réalité", explique Sapsis.

"La méthode apprend la dynamique, et la dynamique est universelle. Avoir la dynamique correcte conduit finalement à des statistiques correctes, par exemple la fréquence d'événements extrêmes rares."

Correction climatique

Comme premier test de leur nouvelle approche, l'équipe a utilisé le système d'apprentissage automatique pour corriger les simulations produites par le modèle énergétique exascale du système terrestre (E3SM), un modèle climatique géré par le ministère américain de l'Énergie qui simule les modèles climatiques dans le monde à une résolution de 110 kilomètres.

Les chercheurs ont utilisé huit années de données antérieures sur la température, l'humidité et la vitesse du vent pour entraîner leur nouvel algorithme, qui a appris les associations dynamiques entre les caractéristiques météorologiques mesurées et le modèle E3SM. Ils ont ensuite fait avancer le modèle climatique dans le temps pendant environ 36 ans et appliqué l'algorithme formé aux simulations du modèle.

Ils ont constaté que la version corrigée produisait des modèles climatiques qui correspondaient davantage aux observations du monde réel des 36 dernières années, et qui n'étaient pas utilisées pour la formation.

"Nous ne parlons pas d'énormes différences en termes absolus", déclare Sapsis. "Un événement extrême dans la simulation non corrigée pourrait être de 105 degrés Fahrenheit contre 115 degrés avec nos corrections. Mais pour les humains qui vivent cela, c'est une grande différence."

Lorsque l'équipe a ensuite associé le modèle grossier corrigé à un modèle spécifique de cyclones tropicaux à résolution plus fine, ils ont découvert que l'approche reproduisait avec précision la fréquence des tempêtes extrêmes dans des endroits spécifiques du monde.

"Nous disposons désormais d'un modèle grossier qui peut vous donner la bonne fréquence des événements pour le climat actuel. Il est bien amélioré", explique Sapsis. "Une fois que nous avons corrigé la dynamique, il s'agit d'une correction pertinente, même lorsque la température mondiale moyenne est différente, et elle peut être utilisée pour comprendre à quoi ressembleront les incendies de forêt, les inondations et les vagues de chaleur dans un climat futur. Notre travail en cours se concentre sur l'analyse des futurs scénarios climatiques."

"Les résultats sont particulièrement impressionnants car la méthode montre des résultats prometteurs sur E3SM, un modèle climatique de pointe", déclare Pedram Hassanzadeh, professeur agrégé qui dirige le groupe Théorie et données sur les extrêmes climatiques à l'Université de Chicago et a été pas impliqué dans l’étude. "Il serait intéressant de voir quelles projections de changement climatique ce cadre donne une fois que les futurs scénarios d'émissions de gaz à effet de serre seront intégrés."