Modéliser les événements dits extrêmes
La modélisation occupe une place centrale au sein des travaux menés par les chercheurs de l’Institut Pierre-Simon Laplace (IPSL). Cela permet d’étudier avec précision le climat, et ce, à des échelles réduites et locales. Ces modèles sont notamment utilisés pour faire des projections concernant le climat du futur. Philippe Naveau, du Laboratoire des Sciences du Climat et de l’Environnement (LSCE-IPSL), s’intéresse aux modèles s’appliquant aux événements dits extrêmes, tels que les pluies intenses ou les fortes vagues de chaleur, que l’on connaît de plus en plus.
« Actuellement, beaucoup de chercheurs produisent des modèles numériques et travaillent sur des techniques d’apprentissage type machine learning, permettant de faire des prévisions ou des projections» explique Philippe Naveau (P.N.). Dans le cadre de son travail, P.N. ne cherche pas à créer un nouveau modèle, mais à déterminer si les modèles existants sont capables de prédire les comportements extrêmes que l’on observe fréquemment depuis plusieurs années. « Cela revient à répondre à la question : comment mesurer la capacité du modèle à reproduire le comportement de distribution des événements climatiques extrêmes ? » précise P.N.
Pour répondre à cette question, il faut créer un nouveau score (une métrique), qui correspond à un objet qui permettrait de dire si l’événement extrême survenu avait été correctement prédit ou non. Pour ce faire, on utilise un cadre probabiliste, et notamment une théorie mathématique, la théorie des valeurs extrêmes. Celle-ci permet de déterminer le score que l’on va attribuer aux différents modèles numériques de prévision. Philippe Naveau les classe ensuite les uns par rapport aux autres. Ainsi, le modèle ayant obtenu le meilleur score sera considéré comme le plus approprié pour modéliser, de manière probabiliste, la distribution des événements extrêmes. Suite à ce classement, on peut chercher les raisons de la capacité ou de l’incapacité de certains modèles numériques à reproduire ces distributions d’événements rares.
L’objectif de ce travail n’est donc pas de créer un nouvel outil ou technique d’apprentissage, mais de comparer les sorties du modèle avec des données observées. Après analyse de ces données, on peut tenter de déterminer quel critère semble le plus pertinent à utiliser. Ce nouveau critère pourrait être aussi utile s’il était utilisé comme fonction de coût dans les problèmes d’optimisation, par exemple dans les méthodes d’apprentissage. Cette nouvelle piste pourrait améliorer certains algorithmes de machine learning en les rendant plus efficaces à prédire l’occurrence d’événements extrêmes. Deux thèses sur ce sujet sont en cours au LSCE avec des collaborations avec l’IMT Atlantique, l’université de Berne et l’ENS.