Intelligence Artificielle

L’intégration de l’intelligence artificielle s’étend également au domaine de l’assimilation des données en géosciences. Le travail de Lafon et al. (2023) se concentre sur l’incertitude associée à l’apprentissage des modèles dynamiques et des solveurs à l’aide de méthodes variationnelles. Leur proposition consiste en un schéma neuronal de bout en bout, basé sur une formulation d’inférence bayésienne variationnelle, visant à aborder simultanément l’assimilation des données et la quantification de l’incertitude. Ce travail démontre la pertinence de leur approche à travers des expériences menées sur des dynamiques telles que le modèle de Lorenz (1963) et des mesures de débit de rivière.

D’un point de vue différent, les recherches de François et al. (2021) se concentrent sur l’ajustement de la dépendance spatiale des sorties des modèles climatiques. Ils utilisent les réseaux antagonistes cycliquement cohérents pour corriger les propriétés spatiales des simulations climatiques. Leur algorithme, MBC-CycleGAN, exploite une technique de vision par ordinateur pour effectuer cette correction. Les résultats indiquent que MBC-CycleGAN produit des ajustements raisonnables des corrélations spatiales pour la température et les précipitations, comparativement à d’autres méthodes de correction des biais.

Enfin, le travail de Fery et al. (2022) explore l’apprentissage d’un dictionnaire météorologique des motifs atmosphériques à l’aide de la Latent Dirichlet Allocation (LDA). Cette approche novatrice utilise la LDA, initialement employée en linguistique pour le modélisme de sujets, afin de construire un dictionnaire météorologique. Les documents sont définis comme des cartes quotidiennes d’une observable cible, les mots étant les points de la grille qui composent la carte. LDA fournit une représentation des documents en termes de combinaison de motifs spatiaux appelés motifs, des patrons latents inférés à partir de l’ensemble des instantanés. Pour les données atmosphériques, les motifs correspondent à des objets synoptiques purs tels que les cyclones et les anticyclones, considérés comme des éléments constitutifs des régimes météorologiques. Les résultats démontrent que les poids LDA fournissent une manière naturelle de caractériser l’impact du changement climatique sur la récurrence des motifs associés aux événements extrêmes.

En conclusion, l’intelligence artificielle émerge comme un acteur central et indispensable au LSCE pour la compréhension approfondie des phénomènes climatiques complexes. Cette approche novatrice, qui tire profit de méthodes de modélisation statistique avancée, d’assimilation de données et d’apprentissage automatique, représente un pilier essentiel dans les efforts déployés pour appréhender la complexité des dynamiques climatiques. L’utilisation judicieuse de l’intelligence artificielle au LSCE permet d’explorer des modèles climatiques avec une précision et une résolution inégalées, facilitant ainsi la capture et l’analyse des variations atmosphériques à différentes échelles spatiales et temporelles. Ces avancées technologiques sont cruciales dans la gestion proactive des risques climatiques, fournissant des outils sophistiqués pour anticiper, atténuer et s’adapter aux changements environnementaux. La contribution significative de l’intelligence artificielle se manifeste également dans sa capacité à traiter des ensembles de données massifs et complexes, permettant une assimilation plus précise des informations climatiques. Cette assimilation de données enrichit considérablement la qualité des modèles, améliorant ainsi la fiabilité des projections climatiques. Ces avancées jouent un rôle crucial dans l’éclaircissement des implications du changement climatique sur des échelles locales et globales, fournissant ainsi des bases solides pour des décisions éclairées en matière de politique environnementale. En somme, l’intelligence artificielle au LSCE ne se contente pas seulement de jouer un rôle central dans la compréhension des phénomènes climatiques complexes, mais elle ouvre également de nouvelles perspectives pour répondre aux défis urgents liés au changement climatique.

• Lafon, N., Fablet, R., & Naveau, P. (2023). Uncertainty Quantification When Learning Dynamical Models and Solvers With Variational Methods. *Journal of Advances in Modeling Earth Systems, 15*(11), e2022MS003446. [DOI: 10.1029/2022MS003446](https://doi.org/10.1029/2022MS003446)
• François, B., Thao, S., & Vrac, M. (2021). Adjusting spatial dependence of climate model outputs with cycle-consistent adversarial networks. Climate Dynamics, 57, 3323-3353. [DOI: 10.1007/s00382-021-05869-8](https://doi.org/10.1007/s00382-021-05869-8)
• Fery, L., Dubrulle, B., Podvin, B., Pons, F., & Faranda, D. (2022). Learning a weather dictionary of atmospheric patterns using Latent Dirichlet Allocation. *Geophysical Research Letters, 49*. [DOI: 10.1029/2021GL096184](https://doi.org/10.1029/2021GL096184)