Améliorer les prévisions des précipitations en Méditerranée
La Méditerranée a connu un réchauffement important au cours du 20e siècle que les chercheurs ont attribué à un changement climatique anthropique. Parmi les impacts récents, citons les vagues de chaleur et les sécheresses responsables de mauvaises récoltes, d’incendies de forêt et de pénuries d’eau, qui ont entraîné des pertes économiques considérables. Des modèles climatiques prévoient un nouveau réchauffement et un nouvel assèchement de la région. Une prévision à court terme plus précise des phénomènes météorologiques extrêmes en Méditerranée permettrait aux autorités de s’y préparer et d’en atténuer les répercussions sur la santé, l’énergie et l’agriculture. «Le problème est que les prévisions dans des délais sous-saisonniers à saisonniers, d’environ 10 jours à une saison, tombent dans ce que l’on appelle le “fossé entre les prévisions météorologiques et climatiques”, où les modèles de prévision ont du mal à fonctionner», explique Marlene Kretschmer, coordinatrice du projet et chercheuse Marie Skłodowska-Curie, du projet CausalBoost financé par l’UE. CausalBoost a associé des «outils de causalité» à des modèles de prévision opérationnels pour: identifier les sources de prévisibilité du temps hivernal méditerranéen; comprendre comment ces différents moteurs interagissent; et évaluer dans quelle mesure ces processus sont appréhendés par les modèles de prévision. Les résultats du projet ont été publiés dans des revues à accès libre évaluées par des pairs, et une partie du code logiciel a été publié sur GitHub.
Démêler les relations de cause à effet
L’un des principaux défis à relever pour améliorer les prévisions de précipitations sur des échelles de temps S2S consiste à identifier les sources de prévisibilité. Celles-ci sont attendues dans les conditions limites du système climatique qui évoluent plus lentement, telles que la glace de mer ou les températures de surface de la mer qui peuvent affecter les modèles météorologiques et climatiques régionaux à grande distance par des interactions avec l’atmosphère. Cependant, la complexité du système climatique complique l’identification des différents moteurs, la quantification de leurs contributions et l’isolement des facteurs de causalité individuels. Comprendre les relations de cause à effet est évidemment un défi courant en science. Étant donné qu’il n’est généralement pas possible d’effectuer des expériences concrètes en science du climat, la solution de rechange la plus courante consiste à recourir à des simulations de modèles climatiques. L’une des limites tient au fait que les résultats dépendent de la façon dont le modèle climatique représente le monde réel. «Notre idée maîtresse était de combiner les points forts des méthodes physiques plus conventionnelles avec des méthodes statistiques innovantes issues de l’apprentissage automatique, afin d’extraire davantage d’informations des données climatiques», explique Marlene Kretschmer, de l’Université de Reading, qui accueille le projet.
Un algorithme pour démêler les relations causales
Une des techniques d’apprentissage automatique utilisées est un «algorithme de découverte des causes», une approche mathématique qui permet de déduire les relations de cause à effet à partir de données d’observation. Les utilisateurs saisissent des données sur les processus physiques qui se déroulent dans le temps, et l’algorithme «apprend» comment ces processus sont liés par la causalité. Il s’agit d’une avancée relativement récente, qui constitue un outil puissant pour compléter les expériences des modèles climatiques. CausalBoost a analysé une série d’ensembles de données différents avec l’algorithme d’apprentissage automatique, notamment des données d’observation, des données provenant de modèles climatiques de prévision sous-saisonnière et saisonnière, ainsi que des données provenant de projections de modèles climatiques selon différents scénarios d’émission. Cela a permis de mieux comprendre les éléments déclencheurs des précipitations en Méditerranée. Par exemple: le rôle de ce que l’on appelle le https://en.wikipedia.org/wiki/Polar_vortex vortex polaire stratosphérique, un système de vents d’ouest forts qui se forment dans la stratosphère arctique pendant les saisons froides boréales. Il est établi que les phases fortes et faibles de ce vortex affectent les précipitations méditerranéennes. «Notre analyse détaillée de son rôle contribue à une meilleure compréhension des mécanismes sous-jacents, ce qui peut éclairer les modèles climatiques de pointe», explique Marlene Kretschmer.
La promesse du post-traitement
CausalBoost ouvre la voie à des prévisions à grande échelle des précipitations en Méditerranée, qui donneront aux décideurs des secteurs tributaires de la météo des informations vitales pour une planification plus efficace. Marlene Kretschmer entend maintenant combiner les prévisions empiriques, fondées sur l’observation, avec celles des modèles de prévision dynamique basés sur les statistiques bayésiennes. «Si nous apprenons qu’un processus particulier n’est pas correctement pris en compte par un modèle, nous pouvons le “corriger” en post-traitant les prévisions à l’aide de techniques de modélisation bayésiennes, ce qui devrait se traduire par des prévisions plus précises», conclut Marlene Kretschmer.
Mots‑clés
CausalBoost, changement climatique, précipitations, prévisions, Méditerranée, canicules, saison, sécheresse, causal, modélisation, prévisions
