Les événements de blocage atmosphérique sont des conditions météorologiques persistantes et à fort impact qui se produisent lorsque des systèmes à haute pression à grande échelle deviennent stationnaires et détournent le courant-jet et les trajectoires des tempêtes pendant des jours, voire des semaines, et peuvent être associés à des inondations ou à des vagues de chaleur record, telles que comme en Europe en 2023.
Dans un récent étude publié dans Communications Terre et EnvironnementChristina Karamperidou, spécialiste de l’atmosphère à l’Université d’Hawaï à Mānoa, a utilisé un modèle d’apprentissage profond pour déduire la fréquence des événements de blocage au cours des 1 000 dernières années et faire la lumière sur l’impact futur du changement climatique sur ces phénomènes importants.
« Cette étude visait à extraire un signal paléométéo à partir d’enregistrements paléoclimatiques à l’aide d’un modèle d’apprentissage profond qui déduit la fréquence de blocage atmosphérique à partir de la température de surface », a déclaré Karamperidou. « Il s’agit d’une étude unique et de la première tentative de reconstitution d’un long enregistrement de fréquences de blocage basées 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. »
Entraîner le modèle d’apprentissage profond
Karamperidou a développé un modèle d’apprentissage profond spécialisé, qu’elle a formé à l’aide de données historiques et de grands ensembles de simulations de modèles climatiques. Le modèle était alors capable de déduire la fréquence des événements bloquants à partir d’anomalies dans les reconstructions de températures saisonnières au cours du dernier millénaire. Ces reconstructions de températures passées sont relativement bien contraintes 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 paléoclimat », a déclaré Karamperidou. « Cette approche peut également être utilisée pour la période instrumentale de l’histoire du climat, qui a commencé au XVIIIe siècle, lorsque des mesures météorologiques de routine ont été effectuées, puisque nous ne disposons que de données fiables pour identifier les blocages depuis les années 1940, ou peut-être seulement depuis l’ère des satellites (après l’ère des satellites). 1979). »
Fréquence des futurs événements de blocage
Il n’existe pas encore de consensus scientifique sur la manière dont le changement climatique modifiera la fréquence des événements de blocage. Ces systèmes anticycloniques puissants et persistants des latitudes moyennes peuvent avoir des impacts importants à Hawaï, où des inondations ont accompagné des blocs persistants du Pacifique Nord, et également dans le monde entier, par exemple dans le nord-ouest du Pacifique et en Europe, où les blocages estivaux peuvent entraîner une chaleur extrême. flots.
Il est donc très important pour Hawaï de comprendre les changements dans la fréquence de ces événements, notamment en ce qui concerne les autres grands acteurs du climat, tels qu’El Niño et les tendances à long terme des températures de surface de la mer dans le Pacifique tropical. Cette étude a permis à Karamperidou de relier les fréquences de blocage dans les latitudes moyennes et élevées à la variabilité climatique tropicale du Pacifique dans le contexte long du dernier millénaire, ce qui est essentiel pour la validation du modèle climatique et pour réduire les incertitudes dans les futures projections climatiques de blocage.
Recherche ouverte et transparence
Karamperidou a travaillé avec deux étudiants de l’UH Mānoa pour créer un interface Web pour 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 se développe rapidement dans 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 aux phénomènes climatiques et aux variables directement liées aux impacts socio-économiques élevés.
Plus d’informations :
Christina Karamperidou, Extraire le paléoclimat du paléoclimat grâce à une reconstruction par apprentissage en profondeur du blocage atmosphérique du dernier millénaire, Communications Terre et Environnement (2024). DOI : 10.1038/s43247-024-01687-y