Les modèles météo comme modèles climatiques : une expérience réussie
Les modèles météo basés sur l'IA prévoient déjà avec assurance l'atmosphère sur plusieurs jours. Mais le climat, c'est la statistique de la météo sur des décennies, c'est pourquoi le transfert des algorithmes météo vers le domaine climatique a longtemps été considéré comme risqué. Si un modèle n'est entraîné que sur de courtes périodes, que se passera-t-il après un an, dix ou trente ans de simulation ? Ne va-t-il pas « dériver » vers un état irréaliste ? Les auteurs d'un récent preprint sur arXiv ont décidé de le vérifier en pratique, en prenant comme cobayes deux modèles d'IA — ArchesWeather et sa « sœur » probabiliste ArchesWeatherGen.
Les deux modèles ont été développés pour des prévisions à dix jours, et les deux ont dû être sérieusement adaptés à des échelles de temps complètement différentes. Voici ce qui en est ressorti.
Deux approches de la prévision
Il est intéressant de noter que les modèles sont conçus différemment. ArchesWeather est un système déterministe : pour chaque entrée, il n'y a qu'une seule sortie. Cette approche est rapide, mais ne donne pas une idée de la gamme des états atmosphériques possibles. ArchesWeatherGen est un modèle probabiliste basé sur le flow-matching : il génère une distribution des scénarios météo possibles, et non une réponse unique. Il utilise en outre les prévisions d'ArchesWeather comme base pour sa génération, ce qui permet de construire un ensemble. Cet ensemble, à son tour, fournit une estimation de l'incertitude — importante aussi bien en météo qu'en climat.
Comment les modèles ont été adaptés aux tâches climatiques
Il serait naïf de s'attendre à ce qu'un modèle météo devienne climatique de lui-même. Pour le climat, l'océan est crucial : il accumule la chaleur et pilote les processus lents. C'est pourquoi les chercheurs ont doté les deux modèles — ArchesWeather et ArchesWeatherGen — de canaux d'entrée supplémentaires avec des conditions aux limites. Désormais, le modèle reçoit la température mensuelle moyenne de la surface de la mer (SST) et la concentration de glace de mer (SIC) et « ajuste » régulièrement la dynamique atmosphérique en fonction de celles-ci.
Les simulations ont été exécutées selon le protocole standardisé de la première phase d'AIMIP — un équivalent du célèbre projet AMIP, mais pour les modèles d'apprentissage automatique. Ce protocole permet de comparer différents modèles d'IA entre eux et avec les modèles climatiques classiques. Les auteurs ont également mené des expériences d'ablation : ils désactivaient certains éléments de l'adaptation pour comprendre ce qui confère précisément la stabilité. En outre, les configurations forcées (forced), où l'océan est imposé de l'extérieur, ont été comparées aux configurations libres (unforced), où le modèle fonctionne sans contrainte externe.
Ce que montrent les simulations pluriannuelles
Les craintes d'une dégradation rapide ne se sont pas confirmées. En configuration forcée, ArchesWeather comme ArchesWeatherGen ont démontré des simulations pluriannuelles stables : le cycle annuel ne se dégrade pas, et les « dérèglements » climatiques qui ruinent une simulation longue ont pu être évités. Les modèles reproduisent avec succès :
- la climatologie de base de la réanalyse ERA5 ;
- la circulation atmosphérique à grande échelle ;
- la variabilité d'une année à l'autre ;
- les états rares et extrêmes — les queues de distribution.
Autrement dit, les moyennes et la dispersion des valeurs semblent plausibles non seulement dans l'ensemble, mais aussi dans les cas extrêmes. Pour un certain nombre de paramètres, les simulations d'IA ne le cèdent en rien aux modèles climatiques numériques classiques. Il est également noté que les configurations forcées fonctionnent nettement mieux que les configurations libres : sans les « indications » de l'océan, les erreurs s'accumulent plus rapidement.
Conclusions
Ces travaux confirment que les modèles d'apprentissage automatique, initialement conçus pour la prévision météo, peuvent servir de base à des expériences climatiques. Pour cela, il suffit d'ajouter des conditions océaniques externes et de suivre scrupuleusement un protocole de comparaison. C'est un moyen relativement peu coûteux et rapide d'obtenir des simulations à long terme, même si le remplacement complet des modèles classiques est encore loin — des vérifications plus approfondies sont nécessaires, notamment sur les détails régionaux et les extrêmes. Mais les premiers pas semblent prometteurs.
