L’apprentissage profond met en lumière les événements de blocage atmosphérique passés et futurs
- Catégorie : Veille changements climatiques
Dans une étude récente publiée dans Communications Earth & Environment, Christina Karamperidou, spécialiste de l’atmosphère à l’Université d’Hawaï à Minoa, a utilisé un modèle d’apprentissage profond pour déduire la fréquence des événements bloquants au cours des 1 000 dernières années et faire la lumière sur l’impact futur du changement climatique sur ces phénomènes importants.
« Cette étude a cherché à extraire un signal paléométéorologique à partir d’enregistrements paléoclimatiques à l’aide d’un modèle d’apprentissage profond qui déduit la fréquence de blocage atmosphérique de la température de surface », a déclaré Karamperidou. « Il s’agit d’une étude unique et de la première tentative de reconstruire un long enregistrement des fréquences de blocage basé sur leur relation avec la température de surface, qui est complexe et inconnue. Les méthodes d’apprentissage automatique peuvent être très puissantes pour de telles tâches.
Entraînement du modèle de Deep Learning
Karamperidou a développé un modèle spécialisé d’apprentissage profond, qu’elle a formé à l’aide de données historiques et de grands ensembles de simulations de modèles climatiques. Le modèle a ensuite été capable de déduire la fréquence des événements bloquants à partir d’anomalies dans les reconstitutions saisonnières de la température au cours du dernier millénaire. Ces reconstitutions de températures passées sont relativement bien limitées par de vastes réseaux d’enregistrements de cernes d’arbres sensibles à la température pendant la saison de croissance.
« Cette approche démontre que les modèles d’apprentissage profond sont des outils puissants pour surmonter le problème de longue date de l’extraction du paléométéorologie à partir du paléoclimat », a déclaré Karamperidou. « Cette approche peut également être utilisée pour la période instrumentale de l’histoire du climat, qui a commencé au 18ème siècle lorsque des mesures météorologiques de routine ont été effectuées, car nous ne disposons que de données fiables pour identifier les blocages depuis les années 1940, ou peut-être seulement l’ère satellitaire (après 1979). »
Fréquence des futurs événements bloquants
Il n’y a pas encore de consensus scientifique sur la façon dont le changement climatique modifiera la fréquence des événements bloquants. Ces systèmes de haute pression puissants et persistants aux latitudes moyennes peuvent avoir des impacts importants pour Hawaï, où des inondations ont accompagné des blocs persistants du Pacifique Nord, et aussi dans le monde entier, par exemple, dans le nord-ouest du Pacifique et en Europe, où le blocage estival peut entraîner des vagues de chaleur extrêmes.
Il est donc très important pour Hawaï de comprendre les changements dans la fréquence de ces événements, en particulier en ce qui concerne les autres grands acteurs du climat, tels qu’El Niño et les modèles à long terme des températures de surface de la mer dans le Pacifique tropical. Cette étude a permis à Karamperidou d’établir un lien entre les fréquences de blocage dans les latitudes moyennes et élevées et la variabilité du climat tropical du Pacifique dans le contexte à long terme du dernier millénaire, ce qui est essentiel pour la validation des modèles climatiques et pour réduire les incertitudes dans les projections climatiques futures de blocage.
Recherche ouverte et transparence
Karamperidou a travaillé avec deux étudiants de l’UH Mānoa pour créer une interface Web unique permettant d’explorer le modèle d’apprentissage profond et les reconstructions qui en résultent. Elle a souligné que le partage des résultats et des méthodes de cette manière est important pour les meilleures pratiques et la transparence de la recherche ouverte, d’autant plus que l’application de l’apprentissage automatique et de l’intelligence artificielle s’étend rapidement à de nombreux aspects de la vie quotidienne.
À l’avenir, Karamperidou prévoit d’explorer une gamme de fonctionnalités et d’améliorations architecturales du modèle d’apprentissage profond afin d’étendre ses applications pour les phénomènes et les variables climatiques directement liés à des impacts socio-économiques élevés.