Détection et attribution du changement climatique à l’aide de réseaux de neurones

Detection and attribution of climate change with the use of machine learning

• Auteur / Autrice : Constantin Bone
• Direction : Guillaume Gastineau, Patrick Gallinari, Sylvie Thiria
• Type : Thèse de doctorat
• Discipline(s) : Instrumentation, télédétection, observation et techniques spatiales pour l'océan, l'atmosphère et le climat
• Date : Soutenance le 16/11/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'océanographie et du climat : expérimentations et approches numériques (Paris ; 2005-....)
• Jury : Président / Présidente : Francis Codron
• Jury : Examinateurs / Examinatrices : Aurélien Ribes
• Jury : Rapporteurs / Rapporteuses : Ronan Fablet, Bernadette Dorizzi

Mots clés

Mots clés contrôlés

Intelligence artificielle

Réseaux neuronaux (informatique)

Changements climatiques

Mots clés libres

Intelligence artificielle

Changement climatique

Forcage du climat

Réseau de neurones

Modèles de climat

Artificial Inteligence

Climate change

Forcing of climate

Neural networks

Climate models

Résumé

Nous nous intéressons dans cette thèse à la création de nouvelles méthodes pour procéder à la question de la détection et de l'attribution du changement climatique. Le climat est en effet soumis à une double variabilité : celle issue des processus internes et interactions des différentes composantes du climat (terres, océans, atmosphère et cryosphère). Cette variabilité est appelé variabilité interne. Une seconde source de variabilité est la variabilité dite "forcé" qui est dû à l'effet de forçages qui sont des éléments extérieurs au système climatique pouvant l'affecter. Les différents forçages sont les gaz à effet de serre, aérosols anthropiques ou naturels, utilisation des terres etc. La détection et l'attribution du changement climatique vise à distinguer les effets de la variabilité interne du climat de la variabilité forcé ainsi qu'à également décomposer cette dernière en donnant l'influence relative de chaque forçage. Ce problème comporte de grandes difficultés comme la relative faible longueur temporelle des observations ou l'incertitude de la variablité forcé modélisé dans les modèles climatiques. Pour ce faire nous développons de nouvelles méthodes basés sur l'utilisation de réseaux de neurones. L'intelligence artificielle est en effet un outil qui n'a pas encore été appliqué pour ce problème et qui permet d'utiliser efficacement les données provenant de simulations d'un grand nombre de modèles climatiques ainsi que les observations. Nous avons développé et appliqué au champ de la température de surface de l'air deux méthodes permettant respectivement de séparer la variabilité interne et forcé et d'attribuer la température globale de surface observé pour différents groupes de forçages. La première de ces méthodes permettant de séparer la variabilité interne de la variabilité forcé est appelé "Noise to Noise" et elle se base sur la littérature de restauration des images issues de l'intelligence artificielle. Le champ tri-dimensionnelle (temps, latitude et longitude) des simulations ou de observations de température de surface est donc comparé à une image tri-dimensionnelle. La variabilité interne est comparé à une sorte de bruit semblable à celle pouvant se trouver sur des images s'ajoutant à la variabilité forcé qui est elle associé à la "vrai image". Nous avons donc eu recours à une méthodologie de débruitage pour réseaux de neurones créée pour les images que nous adaptons à notre problème climatique. La seconde de ces méthodes vise à procéder l'attribution de l'effet de trois groupe de forçages (les gaz à effet de serre, les aérosols anthropiques et les forçages naturels). Il s'agit d'une méthode tiré de l'intelligence artificiel explicable qui se nomment l'optimisation inverse. Elle consiste à retrouver l'entrée d'un réseau de neurones entraîné qui correspondrait à un résultat de sortie donné. Cela est fait par une méthode de descente de gradient en minimisant une fonction de coût mesurant la différence entre la sortie désiré et celle obtenue. Nous utilisons un réseau de neurones convolutionnelle entraîné en utilisant des sorties de température globale de surface de simulations historiques de modèles climatiques. Le CNN a pour but de reproduire les changements de température globale de surface dû à l'ensemble des forçages en utilisant comme entrée les changements de température dû à l'effet individuel des forçages. Une fois le réseau entraîné et ses poids et biais fixés, une méthode d'optimisation inverse, modifiée pour mieux correspondre au problème, est utilisé. Ces deux méthodes sont implémentés pour la variable de température de surface sur la période historique et leurs résultats sont comparés à ceux obtenues avec des méthodes de références.

In this thesis, we focus on the development of new methods to address the issue of climate change detection and attribution. Climate is subject to two types of variability: variability arising from internal processes and variability arising from interactions between the different components of climate (land, oceans, atmosphere and cryosphere). This variability is called internal variability. A second source of variability is the so-called "forced" variability, due to the effect of forcings, which are elements outside the climate system that can affect it. The various forcings are greenhouse gases, natural or anthropogenic aerosols, land use, etc. Detecting and attributing climate change aims to distinguish the effects of internal climate variability from forced variability, and also to break down the latter by giving the relative influence of each forcing. This problem is fraught with difficulties, such as the relatively short temporal length of observations and the uncertainty of forced variability modelled in climate models. To this end, we are developing new methods based on the use of neural networks. Artificial intelligence is in fact a tool that has not yet been applied to this problem, making it possible to make effective use of data from simulations of a large number of climate models as well as observations. We have developed and applied two methods to the surface air temperature field, respectively separating internal and forced variability, and attributing the observed global surface temperature to different groups of forcings. The first of these methods for separating internal from forced variability is called "Noise to Noise" and is based on the literature of artificial intelligence image restoration. The three-dimensional field (time, latitude and longitude) of surface temperature simulations or observations is compared with a three-dimensional image. The internal variability is compared to a kind of noise similar to that found on images, in addition to the forced variability associated with the "real image". We have therefore used a neural network denoising methodology created for images, which we are adapting to our climate problem. The second of these methods aims to attribute the effect of three groups of forcings (greenhouse gases, anthropogenic aerosols and natural forcings). It's a method drawn from explainable artificial intelligence called inverse optimization. It consists in finding the input of a trained neural network that corresponds to a given output result. This is done using a gradient descent method, by minimizing a cost function measuring the difference between the desired output and the output obtained. We use a convolutional neural network trained using global surface temperature outputs from historical climate model simulations. The purpose of the CNN is to reproduce the global surface temperature changes due to the ensemble of forcings, using as input the temperature changes due to the individual effect of the forcings. Once the network has been trained and its weights and biases fixed, an inverse optimization method, modified to better match the problem, is used. These two methods are implemented for the surface temperature variable over the historical period and their results are compared with those obtained with reference methods.