Résumé Technique : ClimateSOM

Problématique

Les ensembles de données sont devenus critiques en science du climat pour capturer la variabilité des projections sous des conditions futures (par exemple, des émissions de gaz à effet de serre variables). Cependant, l'analyse de ces ensembles reste un défi en raison de leur taille et de leur complexité. Les méthodes actuelles d'analyse visuelle reposent souvent sur des statistiques de résumé (par exemple, les moyennes spatiales) ou des méthodes basées sur la topologie qui peuvent négliger les structures spatiales et temporelles clés ou échouer à captir la nature distributionnelle des membres d'un ensemble. De plus, les outils actuels peinent souvent à offrir à la fois l'interprétabilité et la robustesse face à un comportement de modèle hautement complexe et chaotique, ce qui rend difficile la comparaison ou le regroupement efficace de multiples exécutions de modèles.

Les auteurs identifient trois tâches essentielles pour les climatologues travaillant avec des données d'ensemble :

1. Exploration : Comprendre le comportement général d'un ensemble de lancements de modèles.
2. Comparaison : Analyser les différences entre deux ensembles de lancements de modèles.
3. Clustering (Regroupement) : Identifier des groupements significatifs de lancements de modèles ou de Modèles de Circulation Globale (GCM) basés sur leur comportement.

Méthodologie : Le flux de travail ClimateSOM

ClimateSOM est un flux de travail d'analyse visuelle qui abstrait les lancements de modèles climatiques spatiotemporels en une distribution sur un espace 2D pilotable par l'utilisateur. Le flux de travail se compose d'une étape de pré-traitement et de trois étapes interactives principales :

1. Entraînement de la SOM (S0)

Le système entraîne une Carte Auto-Organisatrice (SOM - Self-Organizing Map) sur l'ensemble de données aplati (à travers toutes les réalisations spatiales). La SOM projette les données climatiques de haute dimension (séries temporelles spatiotemporelles) sur une grille 2D tout en préservant les relations topologiques locales.

• Abstraction : Au lieu de traiter un lancement de modèle comme une séquence, ClimateSOM le traite comme une distribution. Pour chaque pas de temps dans un lancement de modèle, le système identifie l'Unité de Meilleure Correspondance (BMU - Best Matching Unit) dans la SOM. La collection de ces emplacements de BMU forme une distribution 2D représentant le lancement du modèle.
• Choix de conception : L'ordre temporel est intentionnellement écarté lors de cette abstraction pour mettre l'accent sur les schémas spatiaux larges et réduire la complexité, s'alignant ainsi sur la manière dont les sorties des GCM sont souvent étudiées pour des différences générales.

2. Ancrage (S1)

Bien que les grilles SOM soient localement lisses, elles peuvent souffrir de distorsions globales. Pour améliorer l'interprétabilité, les utilisateurs peuvent "ancrer" des nœuds spécifiques de la SOM à des positions fixes.

• Technique : Le système utilise l'Embedding à Distorsion Minimale (MDE - Minimum-Distortion Embedding) pour projeter les nœuds de la SOM dans une disposition 2D. Les utilisateurs font glisser les nœuds vers les emplacements souhaités (par exemple, placer les nœuds "humides" à gauche et les nœuds "secs" à droite). L'algorithme MDE ajuste les nœuds restants pour minimiser la distorsion tout en respectant ces ancres fixes, créant ainsi un Espace de Nœuds de SOM Ajusté.

3. Annotation (S2)

Les utilisateurs définissent des régions d'intérêt au sein de l'Espace de Nœuds de SOM Ajusté et leur assignent des étiquettes textuelles, créant ainsi un Espace de Nœuds de SOM Annoté. Cette étape est augmentée par des Modèles de Langage Étendu (LLM) pour faciliter la compréhension via deux directions :

• Direction Directe (Requête-vers-Région) : Les utilisateurs saisissent des requêtes en langage naturel (par exemple, "Montrez-moi les nœuds avec des précipitations supérieures à la moyenne dans le sud de la Californie"). Le LLM analyse la requête, résout les noms de régions en limites de comtés spécifiques et génère une requête PostGIS pour filtrer et mettre en évidence les nœuds SOM correspondants.
• Direction Inverse (Région-vers-Résumé) : Un utilisateur sélectionne une région dans l'espace SOM. Le système échantillonne les nœuds à l'intérieur de cette région, agrège les statistiques par comté, et utilise le LLM pour générer un résumé textuel d'environ 50 mots décrivant les schémas de précipitations dans cette région.

4. Analyse (S3)

L'espace annoté sert de base aux trois tâches d'analyse principales :

• Exploration : Un seul lancement de modèle est visualisé sous la forme d'une Estimation de Densité par Noyau (KDE - Kernel Density Estimate) sur l'Espace de Nœuds de SOM Annoté. Cette "empreinte digitale" met en évidence les points chauds où les réalisations du modèle sont les plus concentrées.
• Comparaison :
  • Côte à côte : Comparaison visuelle directe des distributions KDE de deux lancements.
  • Champ de vecteurs : Pour les comparaisons ordonnées (par exemple, historique vs futur), le système calcule le transport optimal entre des échantillons bootstrap de deux lancements pour générer un champ de vecteurs. Cela visualise la transition spatiale d'une distribution vers une autre.
• Clustering (Regroupement) :
  • Lancements de modèles : Le regroupement est effectué en utilisant la Distance de l'Annulateur de la Terre (EMD - Earth Mover's Distance) pour quantifier la similitude entre les distributions, suivi de UMAP et HDBSCAN.
  • GCM par Forçage : Le regroupement est effectué sur les champs de vecteurs représentant la transition de l'historique vers les scénarios futurs pour différents GCM, identifiant les modèles ayant des réponses de forçage similaires.

Contributions Clés

1. Flux de travail Novel : Un flux de travail d'analyse visuelle qui abstrait les membres d'ensembles spatiotemporels en distributions sur un espace 2D pilotable encadré par une SOM, allant au-delà de l'agrégation de champ moyen.
2. Intégration de LLM : L'intégration des LLM pour faciliter l'interaction bidirectionnelle (requêtes en langage naturel pour localiser des régions et résumé automatisé de régions) au sein de l'espace latent défini par la SOM.
3. Interface ClimateSOM : Une interface de visualisation complète supportant l'exploration de bout en bout, la comparaison (via côte à côte et champs de vecteurs) et le regroupement des lancements de modèles d'ensemble.

Résultats et Évaluation

Les auteurs ont évalué ClimateSOM en utilisant un ensemble de données de projections de précipitations LOCA-downscaled du CMIP6 pour la Californie et le nord-ouest des États-Unis sous trois trajectoires socio-économiques partagées (SSP).

• Études de cas :
  • Californie : Un expert a identifié que les lancements de modèles prédisant un mois de janvier plus humide étaient associés à un mois de novembre plus sec, une tendance qui n'est pas immédiatement évidente. Le système a également révélé que le GCM MIROC6 présentait des schéments de précipitations distincts par rapport aux autres GCM sous le scénario SSP370.
  • Nord-Ouest des États-Unis : Un expert a observé que la transition vers un futur à hautes émissions (SSP585) entraînait des schémas spatiaux radicalement différents entre avril (plus humide au Nord-Est) et novembre (plus humide au Nord-Ouest). Le système a également aidé à identifier les GCM aberrants avec des comportements de forçage anormaux.
• Revue d'experts : Six experts du domaine (incluant les participants aux études de cas) ont examiné le système. Ils ont rapporté que le flux de travail pouvait révéler des informations inédites et climatologiquement significatives qui nécessiteraient autrement un effort manuel substantiel (par exemple, générer et passer au crible des centaines de graphiques statiques). Les experts ont particulièrement apprécié la vue distributionnelle, la comparaison par champ de vecteurs et la capacité de suivre l'évolution des résultats de clustering au fil des mois.
• Évaluation des LLM : Une évaluation à petite échelle avec 8 participants a testé la capacité du LLM à mapper les noms de régions vers les comtés et à résumer les régions. Les participants ont trouvé que les listes et résumés générés étaient généralement raisonnables (scores de Likert moyens de 2,11 et 2,5 respectivement, où un score bas indique un meilleur accord), bien que des défis subsistent concernant les définitions de régions ambiguës et les listes de comtés déconnectées.

Signification et Revendications

L'article affirme que ClimateSOM comble une lacune dans l'analyse visuelle des ensembles climatiques en fournissant un support intégré pour l'exploration, la comparaison et le regroupement. En abstruisant les membres d'ensembles spatiotemporels en distributions sur un espace 2D interprétable, le système permet aux chercheurs de détecter des schémas et des relations difficiles à découvrir avec les résumés statistiques traditionnels ou les sous-tâches isolées.

Les auteurs soulignent que la capacité du système à combiner une réduction de dimensionnalité pilotable avec une compréhension assistée par LLM permet aux utilisateurs d'identifier rapidement des "points chauds" et des tendances significatives. Le retour des experts du domaine suggère que le système est capable de générer des informations d'une importance climatologique, particulièrement pour comprendre la variabilité et l'évolution des projections d'ensemble. Cependant, les auteurs restent modestes, reconnaissant des limites telles que l'absence de métriques de signification statistique natives, la complexité visuelle pour les nouveaux utilisateurs, et le fait que l'abstraction actuelle ne prend pas en compte l'ordre temporel.