📊 statistics

Bayesian Functional Emulation of CO2 Emissions on Future Climate Change Scenarios

Cet article propose un émulateur de régression fonctionnelle entièrement bayésien avec un modèle hiérarchique à effets mixtes et une covariance d'erreur autorégressive afin de permettre l'évaluation en temps continu d'ensembles de modèles d'évaluation intégrée climat-économie pour les émissions de CO2 et les scénarios de changement climatique futur.

Auteurs originaux : Luca Aiello, Matteo Fontana, Alessandra Guglielmi

Publié 2026-06-17

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Luca Aiello, Matteo Fontana, Alessandra Guglielmi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Prédire l'avenir sans faire tourner le moteur

Imaginez que vous possédez une machine massive et incroyablement complexe (comme un simulateur géant et de haute technologie pour la météo et l'économie) qui prédit la quantité de dioxyde de carbone (CO2) que les humains émettront dans le futur. Cette machine, appelée Modèle d'Évaluation Intégrée (MEI), est si complexe et coûteuse à faire fonctionner que les scientifiques ne peuvent l'allumer que quelques fois. C'est comme essayer de comprendre comment fonctionne un moteur de Ferrari, mais vous n'avez assez de carburant que pour rouler cinq minutes au total.

Comme vous ne pouvez pas faire tourner le moteur assez de fois pour voir tous les résultats possibles, les auteurs ont construit un « émulateur statistique ». Considérez cet émulateur comme un système de navigation GPS intelligent pour la voiture. Vous n'avez pas besoin de conduire la voiture vers chaque destination pour connaître l'itinéraire ; le GPS utilise quelques trajets connus pour apprendre la carte, puis prédit le meilleur chemin pour toute nouvelle destination que vous tapez, instantanément.

Le problème : Trop de suppositions, pas assez de données

Les scientifiques disposent de données provenant de 5 « Ferraris » différentes (5 MEI différents). Chaque voiture parcourt les mêmes 23 itinéraires différents (basés sur différents scénarios futurs comme la croissance de la population ou l'utilisation de l'énergie). Cependant, ces voitures ne s'arrêtent pour prendre une photo que tous les 10 ans (2020, 2030, 2040, etc.).

Le problème est double :

Les lacunes : Nous ne savons pas à quoi ressemblent les émissions en 2025 ou 2035 parce que les voitures ne se sont arrêtées qu'aux marques décennales.
L'incertitude : Comme les modèles de voitures sont différents, ils donnent des réponses légèrement différentes pour le même itinéraire. Nous devons savoir à quel point nous pouvons faire confiance à leurs réponses.

La solution : Une recette « Bayésienne Fonctionnelle »

Les auteurs ont créé une nouvelle recette statistique pour résoudre ce problème. Voici comment ils ont procédé, décomposé en concepts simples :

1. Lisser les aspérités (Régression fonctionnelle)

Au lieu de considérer les données comme une simple liste de points séparés (2020, 2030, 2040), les auteurs ont traité les émissions comme une rivière fluide et continue.

L'analogie : Imaginez que vous reliez les points sur un graphique. Une approche standard trace des lignes droites entre les points. L'approche des auteurs dessine une ligne courbe et fluide qui traverse naturellement les points.
Le résultat : Cela leur permet d'estimer les émissions pour n'importe quelle année (comme 2025 ou 2033), et pas seulement pour celles que les ordinateurs ont réellement calculées. Ils appellent cela le « downscaling temporel », ce qui est juste une façon sophistiquée de dire « combler les lacunes de manière fluide ».

2. Le « câlin collectif » (Modélisation hiérarchique)

Les auteurs ont utilisé un Modèle Hiérarchique Bayésien.

L'analogie : Imaginez que vous essayez de deviner la taille des élèves dans 5 écoles différentes. Si vous n'avez des données que pour un seul élève de l'École A, il est difficile de deviner. Mais si vous connaissez la taille moyenne de toutes les écoles, vous pouvez utiliser cette « connaissance du groupe » pour faire une meilleure estimation pour l'élève unique.
Le résultat : Le modèle permet aux différents MEI (les 5 écoles) d'« emprunter » des informations les uns aux autres. Cela aide le modèle à comprendre les tendances générales tout en respectant les particularités uniques de chaque simulateur spécifique.

3. L'intervalle de confiance (Quantification de l'incertitude)

La plupart des anciennes méthodes donna ne qu'un seul chiffre (ex: « Les émissions seront de 50 tonnes »). La méthode des auteurs donne une plage de possibilités avec une probabilité associée.

L'analogie : Au lieu qu'un présentateur météo dise « Il pleuvra à 14h », il dit : « Il y a 95 % de chances qu'il pleuve entre 13h45 et 14h15 ».
Le résultat : Ils fournissent une « bande de crédibilité » (une zone ombrée sur le graphique). Cela indique aux décideurs politiques : « Nous sommes sûrs à 95 % que les émissions réelles se situeront à l'intérieur de cette zone ombrée ». Cela est crucial car cela quantifie le risque.

Qu'ont-ils découvert ?

En faisant tourner leur « GPS intelligent » sur les données, ils ont découvert quels « boutons » de la machine étaient les plus importants :

Les grands moteurs : Les deux facteurs les plus importants pilotant les émissions de CO2 étaient le PIB par habitant (la richesse des individus) et l'Intensité Énergétique (combien d'énergie est nécessaire pour produire un dollar de produit).
- Surprise : À mesure que les gens s'enrichissent (dans les scénarios étudiés), les émissions ont en fait diminué dans leur modèle. C'est parce que les sociétés plus riches, dans ces scénarios spécifiques, ont tendance à utiliser l'énergie plus efficacement.
Les moteurs mineurs : La disponibilité des combustibles fossiles et la taille de la population sont devenues importantes plus tard dans le siècle (après 2050 et 2070).
Les non-moteurs : Étonnamment, le développement des technologies bas carbone ne semblait pas modifier de manière significative les prédictions d'émissions dans ce modèle spécifique. Les auteurs suggèrent que cela pourrait signifier que l'invention de nouvelles technologies ne suffit pas ; changer notre façon de consommer et de vivre est plus critique.

Pourquoi est-ce important ?

L'article soutient que nous devons cesser de traiter ces modèles informatiques comme des « boîtes noires » qui donnent une seule réponse parfaite.

Pour les décideurs politiques : Cet émulateur agit comme un outil unifié. Au lieu de lancer 5 simulations coûteuses et lentes pour obtenir une idée approximative, ils peuvent utiliser ce modèle statistique rapide pour voir une image fluide et continue du futur avec des « zones de risque » claires.
Pour la science : Cela prouve que nous pouvons utiliser des mathématiques avancées pour combler les années manquantes des données climatiques et comprendre exactement l'incertitude qui existe dans nos prédictions.

En résumé, les auteurs ont construit une machine à remonter le temps mathématique qui prend quelques clichés coûteux et grossiers du futur et les transforme en un film fluide, en haute définition, avec une « marge de sécurité » claire pour les décideurs.

Résumé technique : Émulation bayésienne fonctionnelle des émissions de CO2 sur les scénarios de changement climatique futur

Énoncé du problème
La modélisation du changement climatique repose sur les Modèles d'Évaluation Intégrée (IAM), qui sont des simulateurs informatiques déterministes complexes intégrant des données multidisciplinaires (par exemple, l'économie, la physique, la sociologie) pour projeter les émissions futures de gaz à effet de serre. Ces modèles sont extrêmement coûteux en termes de calcul, ne produisant souvent des résultats qu'à des intervalles de temps discrets (par exemple, tous les dix ans) et pour un ensemble limité de combinaisons d'entrées (les trajectoires socio-économiques partagées, ou SSP). Par conséquent, les chercheurs sont confrontés à des défis importants pour quantifier l'incertitude, interpoler entre les étapes temporelles et évaluer comment différentes structures de modèles et paramètres d'entrée influencent les projections d'émissions. Les approches traditionnelles reposent souvent sur des plages empiriques de sorties de modèles multiples, manquant d'un cadre probabiliste unifié pour gérer l'incertitude des paramètres, les différences structurelles des modèles et le besoin d'une évaluation temporelle continue.

Méthodologie
Les auteurs proposent un cadre de régression fonctionnelle bayésienne pour émuler les sorties d'un ensemble de cinq IAM. Le cœur de la méthodologie consiste à traiter les profils d'émissions de CO2 discrets comme des réalisations de fonctions continues dans le temps.

Cadre statistique : Les auteurs utilisent un modèle de Régression Fonctionnelle sur Scalaire (FOSR) au sein d'une structure hiérarchique entièrement bayésienne. La variable de réponse est le logarithme des émissions de CO2, modélisé comme une fonction du temps $t$ .
Spécification du modèle :
- Effets fixes : La relation entre les variables d'entrée des SSP (population, PIB par habitant, intensité énergétique, disponibilité des combustibles fossiles, technologies bas carbone) et les émissions est modélisée via des fonctions de coefficients de régression variant dans le temps $\beta(t)$ .
- Effets aléatoires : Pour rendre compte de la variabilité induite par les différents IAM et les combinaisons spécifiques de SSP, le modèle inclut des fonctions d'effets aléatoires $c_i(t)$ . Cela permet au modèle de « partager la force » (borrow strength) entre les groupes, améliorant ainsi les estimations pour les groupes plus restreints.
- Expansion de base : Les deux fonctions d'effet (fixe et aléatoire) sont approximées à l'aide d'expansions de base B-splines tronquées, réduisant le problème fonctionnel de dimension infinie à un problème de dimension finie.
- Structure de covariance : Le terme d'erreur est modélisé avec une structure de covariance autorégressive d'ordre 1 (AR(1)). Ce choix simplifie le calcul et facilite l'interpolation temporelle. Le modèle suppose une distribution a priori jointe pour tous les paramètres, utilisant une approche hiérarchique à effets mixtes.
Inférence : L'inférence a posteriori est réalisée à l'aide de Stan (Hamiltonian Monte Carlo). Les auteurs fournissent une solution entièrement bayésienne, produisant des distributions a posteriori pour tous les paramètres plutôt que des estimations ponctuelles. Cela inclut une approche spécifique de « krigeage temporel » pour prédire les émissions à des points temporels non observés (par exemple, les milieux de décennies) en traitant les observations manquantes comme des paramètres aléatoires au sein de l'espace d'état.

Contributions clés
L'article présente cinq contributions spécifiques :

Nouvelle approche de modélisation : La proposition d'un modèle bayésien spécifiquement conçu pour inférer les émissions de CO2 simulées, une nouvelle approche pour cette classe de données de simulateurs.
Spécification du modèle : Le choix spécifique de la vraisemblance et des a priori, incluant la structure d'erreur AR(1) et les a priori hiérarchiques pour les coefficients fonctionnels.
Interprétation probabiliste : Un passage des plages déterministes à une perspective probabiliste, quantifiant la contribution de chaque SSP et IAM à la sortie avec des intervalles de crédibilité.
Modélisation de la variabilité : La capacité de modéliser la variabilité de combinaisons de SSP uniques induite par différents IAM, fournissant des intervalles de crédibilité pour un « nouveau » ou un simulateur IAM non observé.
Cadre continu : La transformation des sorties de simulation discrétisées (décennales) en un cadre continu, permettant l'évaluation des émissions à n'importe quel point temporel, et pas seulement aux points produits par les simulations originales.

Résultats
En appliquant le modèle à des données de 23 combinaisons de SSP à travers 5 IAM (couvrant la période 2020–2090), les auteurs ont constaté que :

Moteurs significatifs : Le Produit Intérieur Brut par habitant (PIB/hab) et l'Intensité Énergétique (END) ont été identifiés comme les principaux effets fixes moteurs. Le PIB/hab présentait un coefficient négatif (indiquant que les scénarios plus riches, comme le SSP1, étaient associés à des émissions de log-émissions plus faibles dans ce contexte spécifique de l'ensemble de données, probablement en raison des hypothèses d'efficacité), tandis que l'END avait un effet positif.
Signification temporelle : Les effets du PIB/hab et de l'END sont devenus statistiquement significatifs (intervalles de crédibilité excluant zéro) autour de 2040 et 2020, respectivement. La disponibilité des combustibles fossiles (FF) et la population (POP) sont devenues significatives plus tard dans le siècle (après 2050 et après 2070).
Facteurs non significatifs : Le développement des technologies bas carbone (LC) n'est pas apparu comme un prédicteur statistiquement significatif des émissions simulées dans cet ensemble.
Performance : L'erreur quadratique moyenne (MSE) prédictive du modèle est comparable aux estimations empiriques fréquentistes (0,016 contre 0,014), mais l'approche bayésienne offre l'avantage supplémentaire d'une quantification complète de l'incertitude et d'une interprétation probabiliste.
Réduction temporelle (Downscaling) : Le krigeage temporel a réussi à reconstruire les courbes d'émissions aux intervalles de milieu de décennie (par exemple, 2025, 2035), les données décennales observées tombant dans les bandes de crédibilité à 95 % des courbes moyennes estimées.

Signification et affirmations
Les auteurs affirment que leur travail fournit un cadre unifié permettant aux décideurs politiques et aux climatologues d'émuler simultanément plusieurs modèles informatiques à l'aide d'un seul émulateur statistique. En passant d'une analyse de données fonctionnelles purement fréquentiste (qui a dominé la littérature) à une approche entièrement bayésienne, l'étude offre :

Quantification probabiliste de l'incertitude : Au lieu de simples plages empiriques, le modèle fournit des estimations d'intervalles ayant une signification probabiliste directe (par exemple, la probabilité qu'un paramètre se situe dans un intervalle spécifique).
Évaluation continue : La capacité d'évaluer les émissions à n'importe quel instant temporel, répondant ainsi aux limitations de calcul de la fréquence élevée des IAM.
Aperçu politique : Les résultats suggèrent que les stratégies d'atténuation devraient se concentrer sur des moteurs clés tels que la croissance économique et l'efficacité énergétique, tout en notant que le développement des technologies bas carbone seul pourrait ne pas être suffisant sans des changements plus larges dans les modes de vie et la consommation.

L'article conclut que, bien qu'aucun IAM ne soit parfait, cette approche d'émulation fonctionnelle bayésienne capture efficacement la variabilité intrinsèque et l'incertitude de l'ensemble, offrant un outil robuste pour comprendre les trajectoires climatiques futures.