Les vagues de chaleur étant l'un des risques climatiques les plus meurtriers d'Europe, une équipe de scientifiques dirigée par le CMCC a développé un système de prévision capable de fournir des informations utiles quatre à sept semaines avant l'été, ce qui laisse un temps précieux pour améliorer la préparation.
Formé sur des données provenant de siècles d'analyse climatique jusqu'à ces dernières années, le système d'apprentissage automatique a démontré une augmentation de l'efficacité des prévisions en réduisant considérablement les ressources de calcul requises, rendant ces techniques accessibles à un plus grand nombre de chercheurs et d'institutions.
L'étude « Prévision saisonnière des vagues de chaleur européennes à l'aide d'un cadre de sélection de caractéristiques », publiée dans Communications Terre et Environnementdémontre comment les techniques d'apprentissage automatique (ML) et d'intelligence artificielle (IA) révolutionnent la science du climat en permettant des prévisions plus précises et plus rentables que les approches traditionnelles.
De plus, là où les systèmes de prévision dynamique conventionnels nécessitent des ressources informatiques massives et peinent à être fiables dans les régions du nord de l’Europe, cette approche basée sur les données offre une alternative.
« Le ML deviendra un élément fondamental de la manière dont nous étudions la variabilité climatique », déclare McAdam. « Cette étude a démontré l'utilité du ML dans la prévision des événements extrêmes, mais ce n'est qu'une première étape dans la définition de la manière dont nous procédons pour obtenir des résultats interprétables et physiquement significatifs. »
Les vagues de chaleur ont des conséquences dévastatrices dans toute l’Europe, notamment des pertes agricoles, des pics de consommation d’énergie, des crises sanitaires et une mortalité accrue.
Les récents événements meurtriers survenus en 2003, 2010 et 2022 soulignent le besoin urgent de systèmes d’alerte précoce capables d’aider à atténuer les impacts des vagues de chaleur. Ceci est particulièrement important dans la mesure où les projections climatiques suggèrent une nouvelle intensification des vagues de chaleur dans les décennies à venir, ce qui rend des prévisions saisonnières précises cruciales pour sauver des vies.
« Une alerte précoce en cas d'étés extrêmement chauds pourrait aider la société à se préparer à atténuer les pertes économiques et à réduire les risques pour la vie », explique McAdam. « Les prévisions saisonnières faites au printemps peuvent, en principe, indiquer si un été sera plus chaud que la moyenne. »
Méthodologie innovante
Le système utilise un cadre de sélection de caractéristiques basé sur l'optimisation qui identifie la combinaison optimale de variables atmosphériques, océaniques et terrestres pour prédire la probabilité d'une vague de chaleur à travers l'Europe. À l’aide de techniques de ML, l’approche analyse environ 2 000 prédicteurs potentiels pour sélectionner les combinaisons les plus prédictives pour chaque emplacement géographique.
La méthode non seulement correspond, et dans certains cas surpasse, les systèmes de prévision traditionnels, mais fournit également des informations sur les prédicteurs utilisés dans le processus – une ressource scientifique précieuse. La capacité d'identifier quels prédicteurs atmosphériques et océaniques contribuent le plus à la capacité de prévision à différents moments et en différents endroits en Europe peut éclairer les recherches futures sur les mécanismes physiques à l'origine des épisodes de chaleur extrême, par exemple.
Par exemple, la recherche révèle que l’humidité du sol européen, les modèles de température et la circulation atmosphérique apparaissent comme les prédicteurs locaux les plus critiques, tandis que les signaux lointains provenant du Pacifique tropical et de l’Atlantique contribuent également à la capacité de prévision.
Un défi persistant dans les prévisions saisonnières a été la mauvaise performance en Scandinavie et en Europe centrale et septentrionale. En revanche, la nouvelle approche basée sur les données développée dans le document améliore les compétences dans ces domaines auparavant problématiques.
L'un des aspects les plus innovants de l'étude impliquait la formation du système ML sur des simulations paléoclimatiques couvrant les années 0 à 1850, fournissant ainsi beaucoup plus de données de formation que celles disponibles dans les enregistrements d'observation. Malgré cette approche inhabituelle, le système a réussi à transférer ses connaissances pour prédire avec précision les vagues de chaleur réelles de 1993 à 2016.
« Il n'y a pas encore suffisamment de données réelles pour entraîner suffisamment les prévisions, de sorte que les modèles ML ont réellement appris les facteurs déterminants des vagues de chaleur dans un monde modèle, mais ont appliqué avec succès la formation au monde réel », explique McAdam.
Une question d'efficacité
Non seulement une efficacité accrue, mais également une réduction spectaculaire des besoins en calcul rendent la prévision saisonnière utilisant cette technique accessible à un plus large éventail de chercheurs et d’institutions. Alors que les systèmes dynamiques traditionnels nécessitent d’énormes ressources de calcul intensif pour fonctionner, cette approche se concentre spécifiquement sur la prévision des vagues de chaleur avec une surcharge de calcul minimale.
« Notre recherche a réussi à étendre les prévisions basées sur les données à l'échelle saisonnière en utilisant une infime fraction des ressources informatiques des approches traditionnelles », note McAdam.
En fournissant des prévisions saisonnières fiables sur les chaleurs extrêmes des mois à l'avance, le système permet de prendre des mesures proactives pour réduire les impacts des vagues de chaleur sur la société et l'économie.
Cela ouvre de nouvelles possibilités pour les services climatiques dans tous les secteurs, notamment l'agriculture, la santé publique, la gestion de l'énergie et la planification des situations d'urgence, et crée également une opportunité de combiner les approches de ML avec le système dynamique produit par CMCC et donc de tirer parti des atouts des deux approches.
Le cadre a également le potentiel d'être adapté à d'autres événements extrêmes, dates de début et saisons cibles, ce qui représente une étape importante dans la mission de la SMCC visant à faire progresser la science du climat grâce à des méthodologies innovantes et à établir de nouvelles normes pour les prévisions saisonnières et l'évaluation des risques climatiques.
