Estimation robuste du changement climatique régional: construction d'une approche hybride entre réseaux de neurones profonds et modèles de climat

Résumé

Un des grands défis pour la communauté scientifique du climat est de produire une information fiable concernant les impacts locaux du changement climatique global. Les modèles de climat sont les principaux outils pour étudier son évolution en fonction de scénarios liés aux activités humaines et émissions de gaz à effet de serre. Les modèles de climat globaux (GCM) produisent des simulations couvrant l’ensemble du globe à des résolutions trop faibles pour représenter correctement certains évènements météorologiques extrêmes qui impactent fortement nos sociétés. Aujourd’hui, nous utilisons des modèles de climat régionaux (RCM) pour transformer une simulation globale à basse résolution en simulation à haute résolution sur une zone géographique d’intérêt. Cependant, la haute résolution de ces modèles implique des coûts de calcul très élevés limitant le nombre de simulations réalisables et donc l’exploration nécessaire des différentes sources d’incertitudes.

Le présent travail a pour objectif de proposer une stratégie pour créer à moindre coût des simulations de haute résolution à partir d’autres de basse résolution. Le RCM émulateur cherche à estimer la fonction de descente d’échelle incluse dans un RCM en utilisant notamment les récents développements concernant les réseaux de neurones. Cette étude introduit le concept de l’émulateur et présente un cadre pour le construire, l’entraîner et l’évaluer. Le résultat principal de cette étude est que l’émulateur est une approche crédible pour relever ce défi. En effet, il montre une excellente capacité à créer des champs de température et de précipitations en haute résolution qui sont cohérentes avec la simulation en basse résolution d’origine. Nous étudions aussi son applicabilité à différentes simulations en basse résolution. Ce travail met aussi en évidence l’avantage décisif d’utiliser des simulations RCM pour apprendre cette relation puisque cela permet d’explorer des climats futurs et des régions mal observées.

Les résultats de cette étude ouvrent la porte à de nouveaux développements, mais aussi à diverses applications prometteuses. En effet, le RCM émulateur rend possible la production de messages robustes concernant les impacts locaux des changements climatiques. De plus, un autre résultat important de ce travail est l’importance du jeu de données d’apprentissage sur les performances de l’émulateur. Il est essentiel de définir le meilleur ensemble de simulation pour construire un émulateur robuste, ce qui implique peut-être de revoir la manière de choisir quelle simulation faire avec un RCM.