Distilling and validating novel mechanistic insights on weather extremes with machine learning and physics-based counterfactuals

Les techniques d’apprentissage automatique ont été largement adoptées dans les sciences de l’atmosphère et ont révolutionné la prévision météorologique. Toutefois, ces techniques sont opaques quant à leurs processus décisionnels, ce qui limite la confiance qu’on peut leur accorder pour de nouvelles découvertes physiques. Il est crucial de comprendre quand et où l’on peut se fier aux connaissances extraites par le ML pour exploiter le potentiel de cette technologie dans la découverte de nouvelles connaissances en sciences de l’atmosphère.

En se concentrant sur deux types d’évènements météorologiques extrêmes – la cyclogenèse tropicale et les vents extrêmes associés aux tempêtes européennes – cette thèse vise à isoler des structures spatio-temporelles au sein de propriétés physiques (forçage radiatif des nuages dans le cas de la cyclogenèse tropicale) qui permettent de prédire certains phénomènes physiques, comme l’accélération de la phase initiale d’intensification des cyclones tropicaux. Le défi majeur de la découverte de connaissances guidée par les données – à savoir déterminer si les modèles d’apprentissage automatique ont réellement appris des relations de causalité- est relevé grâce à des expériences de perturbation menées avec des modèles de prévision numérique du temps (PNT), permettant ainsi d’élever les connaissances extraites du stade de l’association statistique à celui de la causalité avérée. Ce processus en deux étapes, combinant apprentissage de structure fondé sur les données et vérification par modèles de PNT, constitue un flux de travail fiable de découverte de connaissances assistée par l’apprentissage automatique.

Grâce à ce flux de travail, nous démontrons qu’une anomalie de chauffage par rayonnement de grande longueur d’onde située à moyenne altitude – un élément négligé dans les analyses composites classiques- joue un rôle déterminant dans la genèse du Typhon Haiyan (2013). Cette anomalie thermique humidifie le cœur de la tempête et favorise le développement d’une convection profonde, ce qui accélère ensuite la genèse du Haiyan par l’agrégation de tourbillon de basse altitude. La vérification à l’aide de modèles PNT est cruciale pour valider le lien de causalité associé à cette structure thermique, identifiée comme importante par les modèles IA. Ces travaux ouvrent la voie à une découverte de connaissances fiable et fondée sur les données dans le domaine de la météorologie tropicale.

Outre la vérification a posteriori des modèles de PNT, cette thèse vise également à élaborer des stratégies d’entraînement permettant d’extraire de manière fiable des informations généralisables. En situant ce travail de développement de modèles dans le contexte exigeant de la découverte d’équations appliquées aux tempêtes européennes – un domaine caractérisé par la rareté des données – la thèse a permis de définir des stratégies d’entraînement garantissant que les équations extraites sont physiquement interprétables et généralisables à des tempêtes n’ayant pas servi à l’entraînement.