Une nouvelle méthode prédit les événements météorologiques extrêmes avec plus de précision

Avec l’augmentation des phénomènes météorologiques extrêmes, qui deviennent de plus en plus fréquents dans notre climat qui se réchauffe, des prévisions précises deviennent de plus en plus essentielles pour nous tous, des agriculteurs aux citadins en passant par les entreprises du monde entier. À ce jour, les modèles climatiques n’ont pas réussi à prédire avec précision l’intensité des précipitations, en particulier les extrêmes. Alors que dans la nature, les précipitations peuvent être très variées, avec de nombreux extrêmes de précipitations, les modèles climatiques prédisent une plus petite variance des précipitations avec un biais en faveur des pluies légères.

Les chercheurs ont travaillé pour développer des algorithmes qui amélioreront la précision des prédictions mais, comme le rapportent les climatologues de Columbia Engineering, il manque une information dans les paramétrisations des modèles climatiques traditionnels – une façon de décrire la structure et l’organisation des nuages ​​qui est si fine qu’elle n’est pas capturé sur la grille de calcul utilisée.

Ces mesures d’organisation affectent les prévisions à la fois de l’intensité des précipitations et de sa stochasticité, la variabilité des fluctuations aléatoires de l’intensité des précipitations. Jusqu’à présent, il n’existait aucun moyen efficace et précis de mesurer la structure des nuages ​​et de quantifier son impact.

Une nouvelle étude d’une équipe dirigée par Pierre Gentine, directeur du centre Learning the Earth with Artificial Intelligence and Physics (LEAP), a utilisé des simulations globales de résolution de tempêtes et l’apprentissage automatique pour créer un algorithme capable de traiter séparément deux échelles différentes de nuage organisation : ceux résolus par un modèle climatique, et ceux qui ne peuvent être résolus car trop petits.

Cette nouvelle approche répond à l’élément d’information manquant dans les paramétrisations des modèles climatiques traditionnels et fournit un moyen de prédire plus précisément l’intensité et la variabilité des précipitations.

« Nos découvertes sont particulièrement intéressantes car, pendant de nombreuses années, la communauté scientifique a débattu de l’opportunité d’inclure l’organisation des nuages ​​dans les modèles climatiques », ont déclaré Gentine, Maurice Ewing et J. Lamar Worzel, professeur de géophysique aux départements de génie de la Terre et de l’environnement et de la Terre. Sciences de l’environnement et membre du Data Science Institute.

« Notre travail apporte une réponse au débat et une nouvelle solution pour inclure l’organisation, montrant que l’inclusion de ces informations peut améliorer considérablement notre prédiction de l’intensité et de la variabilité des précipitations. »

Utilisation de l’IA pour concevoir un algorithme de réseau de neurones

Sarah Shamekh, titulaire d’un doctorat. étudiant travaillant avec Gentine, a développé un algorithme de réseau de neurones qui apprend les informations pertinentes sur le rôle de l’organisation des nuages ​​à petite échelle (échelles non résolues) sur les précipitations. Parce que Shamekh n’a pas défini de métrique ou de formule à l’avance, le modèle apprend implicitement – de lui-même – comment mesurer le regroupement des nuages, une métrique d’organisation, puis utilise cette métrique pour améliorer la prédiction des précipitations. Shamekh a formé l’algorithme sur un champ d’humidité à haute résolution, codant le degré d’organisation à petite échelle.

« Nous avons découvert que notre métrique d’organisation explique presque entièrement la variabilité des précipitations et pourrait remplacer une paramétrisation stochastique dans les modèles climatiques », a déclaré Shamekh, auteur principal de l’étude, publiée par PNAS. « L’inclusion de ces informations a considérablement amélioré la prévision des précipitations à l’échelle pertinente pour les modèles climatiques, prédisant avec précision les précipitations extrêmes et la variabilité spatiale. »

L’algorithme d’apprentissage automatique améliorera les projections futures

Les chercheurs utilisent maintenant leur approche d’apprentissage automatique, qui apprend implicitement la métrique d’organisation du nuage de sous-réseau, dans les modèles climatiques. Cela devrait améliorer considérablement la prédiction de l’intensité et de la variabilité des précipitations, y compris les événements de précipitations extrêmes, et permettre aux scientifiques de mieux prévoir les changements futurs du cycle de l’eau et les conditions météorologiques extrêmes dans un climat qui se réchauffe.

Cette recherche ouvre également de nouvelles voies d’investigation, comme l’exploration de la possibilité que les précipitations créent de la mémoire, où l’atmosphère conserve des informations sur les conditions météorologiques récentes, qui à leur tour influencent les conditions atmosphériques plus tard, dans le système climatique. Cette nouvelle approche pourrait avoir de nombreuses applications au-delà de la simple modélisation des précipitations, y compris une meilleure modélisation de la calotte glaciaire et de la surface de l’océan.

Plus d’information:
Sara Shamekh et al, L’apprentissage implicite de l’organisation convective explique la stochasticité des précipitations, Actes de l’Académie nationale des sciences (2023). DOI : 10.1073/pnas.2216158120

Fourni par l’École d’ingénierie et de sciences appliquées de l’Université de Columbia

ph-tech