La compréhension des extrêmes climatiques récents et la caractérisation du risque climatique nécessitent d’examiner ces extrêmes dans un contexte historique. Cependant, les ensembles de données existants sur les extrêmes observés présentent généralement des lacunes spatiales et des inexactitudes dues à une extrapolation spatiale inadéquate. Ce problème découle des méthodes statistiques traditionnelles utilisées pour expliquer le manque de mesures, particulièrement répandues avant le milieu du 20e siècle.

Il existe plus de 30 000 stations météorologiques dans le monde, mesurant la température, les précipitations et d’autres indicateurs souvent quotidiennement. Il s’agit d’une quantité massive de données que les climatologues doivent compiler et analyser pour produire les températures mondiales et régionales mensuelles et annuelles (en particulier) qui font l’actualité.

Aujourd’hui, les chercheurs ont libéré l’intelligence artificielle (IA) sur ces ensembles de données pour analyser les températures extrêmes en Europe, trouvant une excellente concordance par rapport aux résultats existants qui utilisaient des méthodes traditionnelles, et ont également découvert des extrêmes climatiques inconnus auparavant. Leurs travaux ont été publiés dans Nature Communications.

Avec l’évolution rapide du climat mondial, il est important de savoir comment les températures et les précipitations extrêmes changent, afin que les planificateurs puissent s’adapter aux extrêmes ici et à ce qui s’en vient.

Les pluies sont plus abondantes dans certaines régions, désormais « bien en dehors du climat historique » selon un article publié en 2021 dans Nature. Les températures extrêmes sont également en hausse : plus de 30 % de la superficie terrestre mondiale connaît désormais des températures mensuelles supérieures au niveau statistique de deux sigma au cours d’une année donnée, contre environ 1 % en 1950.

Un problème important dans l’analyse des moyennes historiques de température est le manque de données pour certaines stations météorologiques, en particulier dans la première moitié du siècle dernier.

Une station météorologique habitée peut n’avoir pas été surveillée pendant des années si elle est endommagée, si son gardien a bougé ou est mort, si elle s’est arrêtée et n’a pas été immédiatement remplacée, ou peut-être n’a jamais été remplacée. Les nouvelles technologies des stations doivent être corrélées aux instruments précédents, et de vastes zones en Afrique et aux pôles offrent peu d’informations, voire aucune.

Les climatologues ont passé beaucoup de temps à essayer de combler ces lacunes. Un domaine de recherche connu sous le nom d’homogénéisation des données, et les différents choix de méthodologies d’homogénéisation expliquent en grande partie les légères différences observées dans les résultats des différents groupes qui publient les moyennes et les tendances de la température mondiale.

Une équipe dirigée par Étienne Plésiat du Centre allemand de calcul climatique à Hambourg, comprenant des collègues du Royaume-Uni et d’Espagne, a estimé que les températures extrêmes étaient un domaine propice à l’application des techniques de réseau neuronal de l’IA.

Ils se sont concentrés sur l’Europe, qui possède un nombre particulièrement dense de stations météorologiques qui remontent plus loin dans le temps qu’ailleurs dans le monde. (Par exemple, les données mensuelles sur la température de Hadley Central England commencent en 1659, le plus ancien enregistrement au monde.) À l’aide de l’IA, le groupe a reconstitué les observations des extrêmes climatiques européens : des journées extrêmement chaudes et froides et des nuits extrêmement chaudes et froides.

En raison de la forte densité de stations de température européennes, les méthodes statistiques traditionnelles telles que le krigeage, la pondération de distance inverse et la pondération de la distance angulaire fonctionnent bien pour prédire les valeurs de température pour tout endroit qui n’a pas de thermomètre mais qui a des stations voisines à proximité, mais elles fonctionnent mal lorsque les données à proximité sont rares.

Toutes sont des méthodes permettant d’utiliser des valeurs mesurées avec la distance entre le point d’intérêt et une station météorologique voisine pour prédire la température à l’endroit d’intérêt, la principale différence étant la façon dont les distances (ou angles) sont pondérés dans le calcul.

Au cours des dernières années, les méthodes d’IA ont surpassé ces méthodes traditionnelles de remplissage pour construire des informations climatiques manquantes et quantifier les incertitudes.

Les modèles d’IA utilisés par Plésiat et ses collègues ont été entraînés et comparés à des simulations historiques avec des modèles de système terrestre provenant des archives CMIP6 (Coupled Model Intercomparison Project, une collaboration mondiale de modèles climatiques couplant l’atmosphère et les océans qui calculent le climat passé, le climat actuel et le climat futur).

Les résultats de leur IA sont évalués par comparaison à de telles simulations de réanalyse, à l’aide de méthodes acceptées telles que l’erreur quadratique moyenne, le coefficient de corrélation de rang de Spearman qui indique le degré d’association entre une variable indépendante et une variable dépendante (il généralise le coefficient de Pearson bien connu R mais inclut les dépendances non linéaires), et plus encore.

Les chercheurs ont constaté que leur technique d’apprentissage en profondeur, qu’ils appellent CRAI (Climate Reconstruction AI), surpassait plusieurs méthodes d’interpolation telles que celles décrites ci-dessus pour calculer les jours chauds (le pourcentage de jours où la température maximale quotidienne était supérieure au 90e centile), les jours frais (le pourcentage de jours où la température maximale quotidienne était inférieure au 10e centile), et de même pour les nuits chaudes et les nuits fraîches.

Ils l’ont ensuite appliqué à la reconstruction de tous les champs de l’ensemble de données HadEX3 sur le domaine européen – HadEX3 se compose de plus de 80 indices de température et de précipitations extrêmes sur une surface terrestre maillée de 1901 à 2018.

Ici aussi, leur technique a montré une capacité à reconstruire des événements extrêmes passés et à révéler des tendances spatiales à travers des intervalles de temps non couverts par ce que l’on appelle des « ensembles de données de réanalyse ». (La réanalyse du climat comble les lacunes des bases de données d’observation en utilisant un modèle climatique avec les observations disponibles.)

De plus, leur CRAI a révélé des extrêmes européens jusqu’alors inconnus – par exemple, des vagues de froid comme celle de 1929 et des vagues de chaleur, dont celle de 1911. En raison de la rareté des données, de tels extrêmes n’ont été évoqués que de manière anecdotique.

« Notre recherche démontre à la fois la nécessité et les avantages potentiels de l’application de cette approche à l’échelle mondiale ou à d’autres régions disposant de données limitées », conclut l’équipe dans son article.

« En effet, nous constatons que notre reconstruction basée sur l’IA montre une plus grande précision que les méthodes statistiques traditionnelles, en particulier dans les régions où la rareté des données est prononcée », ajoutant que l’entraînement de tels modèles CRAI devrait améliorer la précision lorsque de plus grandes quantités d’informations sont exploitées.

« Ce travail souligne le potentiel transformateur de l’IA pour améliorer notre compréhension des extrêmes climatiques et de leurs changements à long terme. »