Un avenir sans nuage ? Le mystère au cœur des prévisions climatiques

Nous entendons beaucoup parler de la façon dont le changement climatique modifiera la terre, la mer et la glace. Mais comment cela affectera-t-il les nuages ​​?

« Les nuages ​​​​bas pourraient s’assécher et rétrécir comme les calottes glaciaires », explique Michael Pritchard, professeur de sciences du système terrestre à l’UC Irvine. « Ou ils pourraient s’épaissir et devenir plus réfléchissants. »

Ces deux scénarios se traduiraient par des climats futurs très différents. Et cela, dit Pritchard, fait partie du problème.

« Si vous demandez à deux modèles climatiques différents à quoi ressemblera l’avenir lorsque nous ajouterons beaucoup plus de CO2, vous obtenez deux réponses très différentes. Et la raison principale en est la façon dont les nuages ​​sont inclus dans les modèles climatiques. »

Personne ne nie que les nuages ​​et les aérosols – des morceaux de suie et de poussière qui nucléent les gouttelettes de nuages ​​- sont une partie importante de l’équation climatique. Le problème est que ces phénomènes se produisent sur une échelle de temps et de durée que les modèles actuels sont loin de reproduire. Ils sont donc inclus dans les modèles à travers une variété d’approximations.

Les analyses des modèles climatiques mondiaux montrent systématiquement que les nuages ​​constituent la plus grande source d’incertitude et d’instabilité.

Réoutiller les codes communautaires

Alors que le modèle climatique mondial américain le plus avancé a du mal à approcher la résolution globale de 4 kilomètres, Pritchard estime que les modèles ont besoin d’une résolution d’au moins 100 mètres pour capturer les tourbillons turbulents à petite échelle qui forment des systèmes de nuages ​​​​peu profonds – 40 fois plus résolus dans chaque direction. Cela pourrait prendre jusqu’en 2060, selon la loi de Moore, avant que la puissance de calcul soit disponible pour capturer ce niveau de détail.

Pritchard s’efforce de combler cette lacune flagrante en divisant le problème de modélisation climatique en deux parties : un modèle planétaire à grain grossier et à résolution inférieure (100 km) et de nombreuses petites parcelles avec une résolution de 100 à 200 mètres. Les deux simulations s’exécutent indépendamment, puis échangent des données toutes les 30 minutes pour s’assurer qu’aucune des simulations ne dévie ni ne devienne irréaliste.

Son équipe a rapporté les résultats de ces efforts dans le Journal des avancées dans la modélisation des systèmes terrestres en avril 2022.

Cette méthode de simulation climatique, appelée « Multiscale Modeling Framework (MMF) », existe depuis 2000 et a longtemps été une option au sein du modèle Community Earth System Model (CESM), développé au National Center for Atmospheric Research. L’idée a récemment connu une renaissance au Département de l’énergie, où les chercheurs du modèle de système terrestre exascale énergétique (E3SM) l’ont poussée vers de nouvelles frontières informatiques dans le cadre du projet de calcul exascale. Le co-auteur de Pritchard, Walter Hannah du laboratoire national Lawrence Livermore, aide à diriger cet effort.

« Le modèle contourne le problème le plus difficile – la modélisation de la planète entière », a expliqué Pritchard. « Il a des milliers de petits micromodèles qui capturent des choses comme la formation réaliste de nuages ​​peu profonds qui n’émergent qu’en très haute résolution. »

« L’approche du cadre de modélisation multi-échelle est également idéale pour les prochains ordinateurs exascale basés sur GPU du DOE », a déclaré Mark Taylor, scientifique en chef du calcul pour le projet Energy Exascale Earth System Model (E3SM) du DOE et chercheur aux Sandia National Laboratories. « Chaque GPU a la puissance nécessaire pour exécuter des centaines de micromodèles tout en correspondant au débit du modèle planétaire à faible résolution et à grain grossier. »

La recherche et la nouvelle approche de Pritchard sont rendues possibles en partie par le supercalculateur Frontera financé par la NSF au Texas Advanced Computing Center (TACC). Le supercalculateur universitaire le plus rapide au monde, Pritchard peut exécuter ses modèles sur Frontera à une échelle de temps et de durée accessible uniquement sur une poignée de systèmes aux États-Unis et tester leur potentiel de modélisation dans le cloud.

« Nous avons développé un moyen pour un supercalculateur de répartir au mieux le travail de simulation de la physique des nuages ​​​​sur différentes parties du monde qui méritent différentes résolutions… afin qu’il fonctionne beaucoup plus rapidement », a écrit l’équipe.

La simulation de l’atmosphère de cette manière fournit à Pritchard la résolution nécessaire pour capturer les processus physiques et les tourbillons turbulents impliqués dans la formation des nuages. Les chercheurs ont montré que l’approche multi-modèle ne produisait pas d’effets secondaires indésirables, même lorsque des patchs utilisant différentes structures de grille de résolution des nuages ​​se rencontraient.

« Nous étions heureux, alors voyez que les différences étaient minimes », a-t-il déclaré. « Cela offrira une nouvelle flexibilité à tous les utilisateurs de modèles climatiques qui souhaitent se concentrer sur la haute résolution à différents endroits. »

Démêler et reconnecter les différentes échelles du modèle CESM était un défi que l’équipe de Pritchard a surmonté. Une autre impliquait de reprogrammer le modèle afin qu’il puisse tirer parti du nombre toujours croissant de processeurs disponibles sur les systèmes de supercalcul modernes.

Pritchard et son équipe – le chercheur postdoctoral de l’UCI Liran Peng et le chercheur de l’Université de Washington Peter Blossey – ont abordé ce problème en divisant les domaines internes des modèles de cloud embarqués du CESM en parties plus petites qui pourraient être résolues en parallèle à l’aide de MPI, ou interface de transmission de messages – un moyen d’échanger des messages entre plusieurs ordinateurs exécutant un programme parallèle sur une mémoire distribuée et d’orchestrer ces calculs pour utiliser beaucoup plus de processeurs.

« Cela semble déjà fournir une accélération quadruple avec une grande efficacité. Cela signifie que je peux être quatre fois plus ambitieux pour mes modèles de résolution de nuages », a-t-il déclaré. « Je suis vraiment optimiste que ce rêve de régionalisation et de décomposition du MPI mène à un paysage totalement différent de ce qui est possible. »

Nuages ​​d’apprentissage automatique

Pritchard voit une autre approche prometteuse dans l’apprentissage automatique, que son équipe explore depuis 2017. « J’ai été très provoqué par la performance d’une feuille stupide de neurones qui peut reproduire ces équations aux dérivées partielles », a déclaré Pritchard.

La recherche et la nouvelle approche de Pritchard sont rendues possibles en partie par le supercalculateur Frontera financé par la NSF au TACC. Le supercalculateur universitaire le plus rapide au monde, Pritchard peut exécuter ses modèles sur Frontera à une échelle de temps et de longueur accessible uniquement sur une poignée de systèmes aux États-Unis et tester leur potentiel de modélisation dans le cloud.

Dans un papier soumis l’automne dernier, Pritchard, l’auteur principal Tom Beucler, de l’UCI, et d’autres décrivent une approche d’apprentissage automatique qui prédit avec succès les conditions atmosphériques même dans les régimes climatiques sur lesquels il n’a pas été formé, là où d’autres ont eu du mal à le faire.

Ce modèle « invariant climatique » intègre la connaissance physique des processus climatiques dans les algorithmes d’apprentissage automatique. Leur étude, qui a utilisé Stampede2 au TACC, Cheyenne au National Center for Atmospheric Research et Expanse au San Diego Supercomputer Center, a montré que la méthode d’apprentissage automatique peut maintenir une grande précision dans un large éventail de climats et de zones géographiques.

« Si l’apprentissage automatique de la physique des nuages ​​​​à haute résolution réussissait, cela transformerait tout sur la façon dont nous effectuons les simulations climatiques », a déclaré Pritchard. « Je suis intéressé de voir à quel point l’approche d’apprentissage automatique peut réussir de manière reproductible et fiable dans des environnements complexes. »

Pritchard est bien placé pour le faire. Il fait partie du comité exécutif du NSF Center for Learning the Earth with Artificial Intelligence and Physics, ou LEAP, un nouveau centre scientifique et technologique, financé par la NSF en 2021 et dirigé par son collaborateur de longue date sur ce sujet, le professeur Pierre Gentine. LEAP rassemble des scientifiques du climat et des données pour réduire la plage d’incertitude dans la modélisation climatique, fournissant des projections climatiques plus précises et exploitables qui ont un impact sociétal immédiat.

« Toutes les recherches que j’ai effectuées auparavant sont ce que j’appellerais » un débit limité «  », a déclaré Pritchard. « Mon travail consistait à produire des simulations sur 10 à 100 ans. Cela a limité tous mes choix de grille. Cependant, si l’objectif est de produire des simulations courtes pour former des modèles d’apprentissage automatique, c’est un paysage différent. »

Pritchard espère bientôt utiliser les résultats de ses modèles embarqués de 50 mètres pour commencer à constituer une grande bibliothèque de formation. « C’est un très bel ensemble de données sur lequel faire de l’apprentissage automatique. »

Mais l’IA mûrira-t-elle assez vite ? Le temps presse pour comprendre le destin des nuages.

« Si ces nuages ​​rétrécissent, comme le feront les calottes glaciaires, exposant des surfaces plus sombres, cela amplifiera le réchauffement climatique et tous les dangers qui l’accompagnent. Mais s’ils font le contraire des calottes glaciaires et s’épaississent, ce qu’ils pourraient faire, c’est moins dangereux . Certains ont estimé qu’il s’agissait d’un problème de plusieurs billions de dollars pour la société. Et cela est en question depuis longtemps », a déclaré Pritchard.

Simulation par simulation, les supercalculateurs financés par le gouvernement fédéral aident Pritchard et d’autres à aborder la réponse à cette question cruciale.

« Je suis déchiré entre une véritable gratitude pour l’infrastructure informatique nationale américaine, qui est si incroyable pour nous aider à développer et à exécuter des modèles climatiques », a déclaré Pritchard, « et le sentiment que nous avons besoin d’un niveau de nouveau financement fédéral et d’une coordination interagences pour le projet Manhattan. vraiment résoudre ce problème. »