Le Machine Learning au service de l’étude des océans
Bien que l’océan ne corresponde pas à l’intégralité du climat à lui seul, l’étudier et le comprendre sont tout de même chose essentielle pour les climatologues. Pour ce faire, ils utilisent la modélisation océanique, qui permet notamment de représenter les courants à différentes échelles ainsi que leur évolution, mais aussi de faire des prévisions météorologiques. Cette modélisation de l’océan, dans le contexte du climat, constitue aujourd’hui un certain nombre de challenges, auxquels le Machine Learning pourrait apporter des solutions. Explications avec Julie Deshayes, du Laboratoire d’Océanographie et du Climat (LOCEAN – IPSL).
Circulation thermohaline et Machine Learning
La circulation thermohaline, aussi appelée MOC pour « meridional overturning circulation », correspond à la synthèse de tous les courants océaniques à l’échelle globale. Pour étudier le climat du futur, les chercheurs souhaitent savoir avec précision si la MOC tend à augmenter ou à diminuer, revenant donc à comprendre ses modifications. En fonction de la résolution du modèle, l’évolution de la MOC au cours du temps diffère, et cette différence influe sur l’interprétation des résultats obtenus et témoigne du peu de fiabilité de ceux-ci. « Le futur de la MOC, le fait qu’elle s’effondre ou non, dépend de la construction du modèle » précise Julie Deshayes (J.D). L’étude de la circulation thermohaline est un exemple pour lequel l’utilisation du Machine Learning pourrait permettre de lever les verrous et répondre aux problèmes rencontrés.
Afin d’étudier au mieux les courants marins, la représentation des processus à de fines échelles est indispensable. L’utilisation du Machine Learning permet de combiner des informations de haute définition, qui correspondent au système réel et aux observations, à celles de basse définition qui correspondent, elles, aux modèles de climat. De cette façon, les imprécisions des modèles sont alors réduites, améliorant ainsi l’exploitation des résultats.
Également, la façon de calibrer les paramètres d’un modèle, ou autrement appelée tuning, ayant un fort impact sur celui-ci, il est nécessaire de travailler avec la meilleure calibration possible. Pour cela, on peut utiliser ce qu’on appelle un émulateur, qui est un programme imitant le comportement du modèle de climat. « Le principe est d’entraîner la base de données avec une multitude de paramètres différents, pour ensuite remplacer le code par l’émulateur » explique J.D, « cette technique permet de tester un plus grand nombre de paramètres en même temps et ainsi d’obtenir des conclusions plus objectives qu’auparavant ».
Enfin, la mise à l’équilibre d’un modèle, demandant des temps de calculs conséquents, représente un challenge important. Le Machine Learning permettrait de réduire ce temps, grâce à l’utilisation d’un réseau de neurones, qui aurait appris à prédire l’état d’équilibre du modèle étudié à partir du démarrage des simulations.
L’utilisation du Machine Learning constitue donc aujourd’hui, une réelle opportunité pour les chercheurs. Cependant, « il est nécessaire de conserver, avant tout, l’expertise des scientifiques, et ne pas se fier uniquement à l’intelligence artificielle » rappelle Julie Deshayes.
