Les soi-disant «événements météorologiques à 100 ans» semblent désormais presque courants alors que les inondations, les tempêtes et les incendies continuent de fixer de nouvelles normes pour les plus grandes, les plus fortes et les plus destructrices. Mais pour catégoriser la météo comme un véritable événement de 100 ans, il ne doit y avoir que 1% de chances de se produire au cours d'une année donnée. Le problème est que les chercheurs ne savent pas toujours si la météo s'aligne sur le climat actuel ou défie les chances.
Les modèles de prévision météorologique traditionnels se déroulent sur des supercalculateurs de lutte contre l'énergie qui sont généralement hébergés dans de grandes institutions de recherche. Au cours des cinq dernières années, l'intelligence artificielle est devenue un outil puissant pour des prévisions moins chères et plus rapides, mais la plupart des modèles alimentés par l'IA ne peuvent prévoir avec précision que 10 jours dans le futur. Pourtant, les prévisions à plus longue portée sont essentielles pour la science du climat et aident les gens à se préparer pour les saisons à venir.
Dans une nouvelle étude publiée dans Agu avancéesLes chercheurs de l'Université de Washington ont utilisé l'IA pour simuler le climat actuel de la Terre et la variabilité interannuelle pendant jusqu'à 1 000 ans. Le modèle fonctionne sur un seul processeur et ne prend que 12 heures pour générer une prévision. Sur un supercalculateur de pointe, la même simulation prendrait environ 90 jours.
« Nous développons un outil qui examine la variabilité de notre climat actuel pour aider à répondre à cette question persistante: un événement donné est-il le genre de chose qui se produit naturellement, ou non? » dit Dale Durran, professeure de l'UW de science atmosphérique et climatique.
Durran a été l'un des premiers à introduire l'IA dans les prévisions météorologiques il y a plus de cinq ans lorsque lui et l'ancien étudiant diplômé de l'UW, Jonathan Weyn, s'est associé à Microsoft Research. Durran détient également une position conjointe en tant que chercheur avec NVIDIA basée en Californie.
« Pour former un modèle d'IA, vous devez lui donner des tonnes de données », a déclaré Durran. « Mais si vous rompez les données historiques disponibles par saison, vous n'obtenez pas beaucoup de morceaux. »
Les ensembles de données mondiaux les plus précis pour le temps quotidien remontent à environ 1979. Bien qu'il y ait beaucoup de jours entre là et maintenant qui peuvent être utilisés pour entraîner un modèle de prévision météorologique quotidien, la même période contient moins de saisons. Ce manque de données historiques a été perçu comme un obstacle à l'utilisation de l'IA pour les prévisions saisonnières.
De manière contre-intuitive, la dernière contribution du groupe Durran à la prévision, le modèle de système de terre en profondeur ou Dlesym, a été formée pour les prévisions d'une journée, mais a quand même appris à capturer la variabilité saisonnière.
Le modèle combine deux réseaux de neurones: l'un représentant l'atmosphère et l'autre, l'océan. Alors que les modèles traditionnels du système terrestre se joignent souvent à des prévisions atmosphériques et océaniques, les chercheurs n'avaient pas encore intégré cette approche dans les modèles alimentés par l'IA seul.
« Nous avons été les premiers à appliquer ce cadre à l'IA et nous avons découvert que cela fonctionnait très bien », a déclaré l'auteur principal Nathaniel Cresswell-Clay, étudiant diplômé de l'UW en sciences atmosphériques et climatiques. « Nous présentons cela comme un modèle qui défie une grande partie des hypothèses actuelles entourant l'IA en science du climat. »
Étant donné que la température de la surface de la mer change plus la température de l'air, le modèle océanique met à jour ses prédictions tous les quatre jours, tandis que le modèle atmosphérique se met à jour toutes les 12 heures. Cresswell-Clay travaille actuellement à l'ajout d'un modèle de surface terrestre à Dlesym.
« Notre conception ouvre la porte à ajouter d'autres composantes du système terrestre à l'avenir », a-t-il déclaré, en particulier des composants qui ont été difficiles à modéliser dans le passé, comme la relation entre le sol, les plantes et l'atmosphère. Au lieu que les chercheurs proposent une équation pour représenter cette relation complexe, l'IA apprend directement des données.
Les chercheurs ont présenté les performances du modèle en comparant ses prévisions d'événements passés à ceux générés par les quatre modèles principaux à partir de la sixième phase du projet d'intercomparaison du modèle couplé, ou CMIP6, qui fonctionnent tous sur des super-compositeurs. Les prévisions climatiques du climat futur de ces modèles étaient des ressources clés utilisées dans le dernier rapport du panel intergouvernemental sur le changement climatique (GIEC).
Dlesym a simulé des cyclones tropicaux et le cycle saisonnier de la mousson d'été indienne mieux que les modèles CMIP6. En la latitudes à mi-tratules, Dlesym a capturé la variabilité mensuelle et interannuelle des modèles météorologiques au moins ainsi que les modèles CMIP6.
Par exemple, le modèle a capturé des événements de « blocage » atmosphériques aussi bien que les principaux modèles basés sur la physique. Le blocage fait référence à la formation de crêtes atmosphériques qui gardent les régions chaudes et sèches, et d'autres froides ou humides, en détournant les systèmes météorologiques entrants.
« Beaucoup de modèles climatiques existants ne font pas un très bon travail pour capturer ce modèle », a déclaré Cresswell-Clay. « La qualité de nos résultats valide notre modèle et améliore notre confiance dans ses projections futures. »
Ni les modèles CMIP6 ni Dlesym ne sont précis à 100%, mais le fait que l'approche basée sur l'IA était compétitive tout en utilisant tellement moins de puissance est importante.
« Non seulement le modèle a une empreinte carbone beaucoup plus faible, mais n'importe qui peut le télécharger à partir de notre site Web et exécuter des expériences complexes, même s'il n'a pas accès aux supercalculateurs », a déclaré Durran. « Cela met la technologie à portée de main pour de nombreux autres chercheurs. »
