{"id":11210,"date":"2024-02-07T20:00:00","date_gmt":"2024-02-07T19:00:00","guid":{"rendered":"https:\/\/wp.unil.ch\/geoblog\/?p=11210"},"modified":"2024-04-23T08:53:41","modified_gmt":"2024-04-23T06:53:41","slug":"anticiper-lavenir-climatique-grace-a-lai-13-scientifiques-suisses-et-americains-parviennent-a-rendre-les-algorithmes-plus-robustes","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2024\/02\/anticiper-lavenir-climatique-grace-a-lai-13-scientifiques-suisses-et-americains-parviennent-a-rendre-les-algorithmes-plus-robustes\/","title":{"rendered":"Anticiper l\u2019avenir climatique gr\u00e2ce \u00e0 l’AI\u00a0: 13 scientifiques suisses et am\u00e9ricains parviennent \u00e0 rendre les algorithmes plus \u00ab\u00a0robustes\u00a0\u00bb"},"content":{"rendered":"
\"\"<\/figure>\n\n\n
\n

Les algorithmes d’apprentissage automatique, employ\u00e9s de mani\u00e8re croissante dans les applications climatiques, rencontrent aujourd\u2019hui un probl\u00e8me majeur :  leur difficult\u00e9 \u00e0 pr\u00e9dire correctement des conditions climatiques pour lesquels ils ne sont pas entra\u00een\u00e9s, g\u00e9n\u00e9rant ainsi des incertitudes dans les projections.<\/strong><\/p>\n\n\n\n

Une \u00e9quipe de chercheur\u00b7euse\u00b7s de l\u2019Universit\u00e9 de Lausanne et de plusieurs universit\u00e9s am\u00e9ricaines, d\u00e9voilent \u00e0 travers une \u00e9tude publi\u00e9e dans la revue Science Advances<\/em>, qu\u2019en transformant les donn\u00e9es soumises aux algorithmes \u00e0 l\u2019aide de principes de physique bien \u00e9tablis, ils parviennent \u00e0 les rendre plus \u00ab robustes \u00bb pour r\u00e9soudre des probl\u00e9matiques climatiques. Cette m\u00e9thode a \u00e9t\u00e9 test\u00e9e avec succ\u00e8s sur trois mod\u00e8les atmosph\u00e9riques distincts. Les implications de cette d\u00e9couverte vont au-del\u00e0 de la science du climat.<\/strong><\/p>\n<\/div>\n\n\n\n

La pr\u00e9diction des changements climatiques est possible gr\u00e2ce \u00e0 l\u2019utilisation de mod\u00e8les physiques correspondant aux climats pass\u00e9s, pr\u00e9sents et futurs, et permettant l\u2019extrapolation \u00e0 partir de donn\u00e9es r\u00e9centes. Cependant, les mod\u00e8les climatiques actuels rencontrent des d\u00e9fis lorsqu\u2019il est n\u00e9cessaire de repr\u00e9senter des processus \u00e0 des \u00e9chelles plus petites que la taille du mod\u00e8le, g\u00e9n\u00e9rant ainsi des incertitudes dans les projections. Bien que les r\u00e9cents algorithmes d’apprentissage automatique pr\u00e9sentent des avantages pour am\u00e9liorer la repr\u00e9sentation de ces processus, ils n\u2019arrivent toujours pas \u00e0 extrapoler vers des r\u00e9gimes climatiques pour lesquels ils n\u2019ont pas \u00e9t\u00e9 entra\u00een\u00e9s.<\/p>\n\n\n\n

Pour d\u00e9passer ces limitations, l\u2019\u00e9quipe de chercheur\u00b7euse\u00b7s a propos\u00e9 une approche innovante appel\u00e9e \u00ab\u00a0Machine Learning climat-invariant\u00a0\u00bb. Cette approche cherche \u00e0 fusionner la compr\u00e9hension physique des mod\u00e8les climatiques avec les capacit\u00e9s des algorithmes d’apprentissage automatique pour am\u00e9liorer leur coh\u00e9rence, la pertinence des donn\u00e9es g\u00e9n\u00e9r\u00e9es ainsi qu\u2019une g\u00e9n\u00e9ralisation de leur utilit\u00e9 pour appr\u00e9hender une plus grande diversit\u00e9 des r\u00e9gimes climatiques. Les r\u00e9sultats obtenus sugg\u00e8rent que cette nouvelle int\u00e9gration des connaissances physiques renforcera la fiabilit\u00e9 des mod\u00e8les climatiques.<\/p>\n\n\n\n

Sept points pour mieux comprendre les enjeux de cette \u00e9tude<\/h4>\n\n\n\n

1. Comment sont utilis\u00e9s les algorithmes d’apprentissage automatique dans le domaine du climat ?<\/strong><\/p>\n\n\n\n

Les algorithmes d’apprentissage automatique jouent un r\u00f4le cl\u00e9 dans l’am\u00e9lioration des mod\u00e8les climatiques en simulant des processus complexes tels que la dynamique des temp\u00eates, les tourbillons oc\u00e9aniques et la formation des nuages, qui sont co\u00fbteux avec des m\u00e9thodes traditionnelles. Ils sont essentiels pour la d\u00e9tection \u00e0 distance et la classification des nuages, et pour la r\u00e9duction d’\u00e9chelle des mod\u00e8les climatiques globaux afin de produire des projections locales d\u00e9taill\u00e9es qui s’alignent mieux sur le registre d’observation.<\/p>\n\n\n\n

2. Pourquoi les algorithmes d’apprentissage automatique ont jusqu’alors eu du mal \u00e0 pr\u00e9dire les effets du changement climatique ?<\/strong><\/p>\n\n\n\n

Les mod\u00e8les d’apprentissage automatique, en particulier les r\u00e9seaux neuronaux, excellent dans le cadre de leurs donn\u00e9es d’apprentissage, mais peuvent se r\u00e9v\u00e9ler tr\u00e8s inefficaces lorsque les donn\u00e9es diff\u00e8rent sensiblement de ce qu’ils ont observ\u00e9 auparavant. Cet \u00e9cart s’explique par le fait que ces mod\u00e8les reposent sur des hypoth\u00e8ses implicites qui peuvent ne pas se v\u00e9rifier dans des conditions climatiques nouvelles, ce qui entra\u00eene des inexactitudes potentielles dans les projections en dehors de leurs sch\u00e9mas d’apprentissage.<\/p>\n\n\n\n

3. Sur quels types de mod\u00e8les atmosph\u00e9riques ont port\u00e9 cette \u00e9tude et quelle est leur importance ?  <\/strong><\/p>\n\n\n\n

Les chercheur\u00b7euse\u00b7s se sont d’abord concentr\u00e9s sur un mod\u00e8le de \u00ab\u00a0monde oc\u00e9anique\u00a0\u00bb, une repr\u00e9sentation simplifi\u00e9e du syst\u00e8me climatique de la Terre sans les continents, qui leur a permis d’identifier et de comprendre les erreurs d’extrapolation. Ils ont ensuite progress\u00e9 vers des mod\u00e8les atmosph\u00e9riques plus sophistiqu\u00e9s et plus r\u00e9alistes qui simulent la dynamique du climat de la Terre. L’int\u00e9gration de l’apprentissage automatique dans ces mod\u00e8les est un projet prometteur pour am\u00e9liorer leur r\u00e9alisme, en particulier pour les projections climatiques \u00e0 long terme, contribuant ainsi de mani\u00e8re significative aux strat\u00e9gies d’adaptation au changement climatique et d’att\u00e9nuation de ses effets.<\/p>\n\n\n\n

4. Qu’est-ce que cela signifie au-del\u00e0 de la science du climat ?<\/strong><\/p>\n\n\n\n

Au-del\u00e0 de la science du climat, la m\u00e9thodologie de cette \u00e9tude offre un mod\u00e8le pour l’incorporation de principes physiques dans l’apprentissage automatique dans plusieurs disciplines. En transformant les donn\u00e9es \u00e0 l’aide d’invariances physiques connues, les chercheur\u00b7euse\u00b7s peuvent former des mod\u00e8les d’apprentissage automatique qui fonctionnent dans divers sch\u00e9mas physiques, m\u00eame s’ils n’ont \u00e9t\u00e9 entra\u00een\u00e9s que pour quelques-uns d’entre eux. Cela pourrait fonctionner dans n’importe quel domaine scientifique avec des invariances connues, par exemple, en science plan\u00e9taire pour cr\u00e9er des mod\u00e8les g\u00e9n\u00e9ralisables \u00e0 toutes les plan\u00e8tes ou en dynamique des fluides pour cr\u00e9er des mod\u00e8les g\u00e9n\u00e9ralisables \u00e0 tous les r\u00e9gimes de flux.<\/p>\n\n\n\n

5. Comment cela pourrait-il changer la recherche en sciences du climat ?<\/strong><\/p>\n\n\n\n

La nouvelle approche de cette \u00e9tude pourrait faire progresser la science du climat en permettant une mod\u00e9lisation plus pr\u00e9cise et g\u00e9n\u00e9ralisable des processus. Par exemple, les mod\u00e8les d’apprentissage automatique qui ont \u00e9t\u00e9 form\u00e9s sur les donn\u00e9es climatiques actuelles pourraient, moyennant des ajustements physiques appropri\u00e9s, offrir des projections fiables pour les climats futurs. Cette avanc\u00e9e en mati\u00e8re de g\u00e9n\u00e9ralisation pourrait faire progresser les pr\u00e9visions m\u00e9t\u00e9orologiques et les projections climatiques \u00e0 long terme.<\/p>\n\n\n\n

6. Quelles sont les prochaines phases de cette recherche ?<\/strong><\/p>\n\n\n\n

Les \u00e9quipes qui ont particip\u00e9 \u00e0 cette collaboration explorent diverses voies, notamment l’am\u00e9lioration de la g\u00e9n\u00e9ralisation des mod\u00e8les de pr\u00e9visions m\u00e9t\u00e9orologiques de pointe bas\u00e9s sur des donn\u00e9es pour les climats futurs et l’int\u00e9gration de ces modules robustes et invariants du climat dans les mod\u00e8les climatiques existants. L\u2019objectif des chercheur\u00b7euse\u00b7s est de continuer \u00e0 d\u00e9velopper ces mod\u00e8les bas\u00e9s sur des donn\u00e9es au-del\u00e0 de leurs limites actuelles, en encourageant une culture de tests rigoureux qui pourrait mettre au point de nouveaux principes physiques d\u00e9passant les capacit\u00e9s d’observation actuelles.<\/p>\n\n\n\n

7. Quel est l’impact \u00e0 long terme de ces r\u00e9sultats et le potentiel de l’IA dans la science du climat ?<\/strong><\/p>\n\n\n\n

Les auteur\u00b7ice\u00b7s de cette \u00e9tude estiment que ces r\u00e9sultats vont favoriser des collaborations plus soutenues entre les communaut\u00e9s de la science du climat et de l’intelligence artificielle. En encourageant la communaut\u00e9 des sciences du climat \u00e0 consid\u00e9rer les mod\u00e8les bas\u00e9s sur les donn\u00e9es non pas comme un remplacement mais comme un renforcement des m\u00e9thodologies traditionnelles, et en promouvant le d\u00e9veloppement de techniques d’intelligence artificielle qui ne sont pas seulement bas\u00e9es sur les donn\u00e9es mais aussi sensibles au domaines de recherche, ils pr\u00e9voient un avenir o\u00f9 l’intelligence artificielle contribuera de mani\u00e8re significative \u00e0 faire progresser la compr\u00e9hension des processus climatiques, am\u00e9liorant ainsi la capacit\u00e9 collective \u00e0 r\u00e9pondre aux d\u00e9fis pos\u00e9s par le changement climatique.<\/p>\n\n\n\n

\n
\n
\n
R\u00e9f\u00e9rence bibliographique<\/h6>\n\n\n\n

Tom Beucler, Pierre Gentine, Janni Yuval, Ankitesh Gupta, Liran Peng, Jerry Lin, Sungduk Yu, Stephan Rasp, Fiaz Ahmed, Paul A. O’Gorman, J. David Neelin, Nicholas J. Lutsko, Michael Pritchard, \u00ab\u00a0Climate-Invariant Machine Learning\u00a0\u00bb<\/a>, Science Advances<\/strong>, 2024. [full text PDF]<\/a><\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Les algorithmes d’apprentissage automatique, employ\u00e9s de mani\u00e8re croissante dans les applications climatiques, rencontrent aujourd\u2019hui un probl\u00e8me majeur :  leur difficult\u00e9 \u00e0 pr\u00e9dire correctement des conditions climatiques pour lesquels ils ne sont pas entra\u00een\u00e9s, g\u00e9n\u00e9rant ainsi des incertitudes dans les projections. Une \u00e9quipe de chercheur\u00b7euse\u00b7s de l\u2019Universit\u00e9 de Lausanne et de plusieurs universit\u00e9s am\u00e9ricaines, d\u00e9voilent \u00e0 travers une \u00e9tude […]<\/p>\n","protected":false},"author":47,"featured_media":11218,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[67088,66905],"tags":[67167],"class_list":{"0":"post-11210","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-parutions","8":"category-recherche-en-action","9":"tag-tom-beucler"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/11210","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=11210"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/11210\/revisions"}],"predecessor-version":[{"id":11256,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/11210\/revisions\/11256"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/11218"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=11210"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=11210"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=11210"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}