📄 sciences de la Terre

Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach

Cet article intègre des contraintes émergentes à une méthodologie de reconnaissance de formes afin de réduire l'incertitude intermodèles dans les projections de la température de l'air en surface à travers les modèles climatiques de l'INM RAS, réussissant ainsi à restreindre les schémas de réchauffement historiques mais échouant à contraindre le signal congruent au CO2 projeté pour la fin du XXIe siècle.

Auteurs originaux : Sergey Kravtsov, Andrey Gritsun, Sergey Gulev

Publié 2026-09-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sergey Kravtsov, Andrey Gritsun, Sergey Gulev

Article original sous licence CC BY 4.0 (https://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

Les climatologues s'appuient sur des programmes informatiques complexes, appelés modèles du système Terre, pour simuler la manière dont l'atmosphère et les océans de notre planète se sont comportés par le passé et pour prédire comment ils changeront à l'avenir. Ces modèles sont des outils essentiels pour comprendre les conséquences de l'augmentation des niveaux de gaz à effet de serre, mais ils divergent souvent les uns des autres. Lorsque différents modèles exécutent le même scénario, ils peuvent produire des prévisions très variables sur l'ampleur du réchauffement mondial ou sur la manière dont ce réchauffement sera réparti à travers le globe. Ce désaccord, ou cette incertitude, rend difficile pour les sociétés la planification de réponses efficaces au changement climatique. Une source majeure de cette incertitude réside dans la façon dont les modèles gèrent les processus physiques invisibles, tels que la formation des nuages, qui sont trop petits pour être vus directement par la grille de l'ordinateur, mais qui ont un impact énorme sur le climat. Pour faire de meilleures prédictions, les chercheurs cherchent constamment des moyens de réduire l'écart entre les sorties de ces différents modèles et la réalité que nous observons dans les archives historiques.

Une équipe de chercheurs dirigée par Sergey Kravtsov, accompagnée de collègues de l'Académie des sciences de Russie, a développé une nouvelle méthode pour s'attaquer à ce problème de divergence des modèles. Ils se sont concentrés sur trois versions spécifiques d'un modèle climatique développé à l'Institut de mathématiques numériques en Russie, qui varient dans leur résolution et dans leur gestion de la physique des nuages. Les chercheurs voulaient voir s'ils pouvaient utiliser une technique appelée reconnaissance de formes pour ajuster les projections futures des modèles afin qu'elles correspondent plus étroitement à l'histoire observée des températures mondiales. Leur approche consistait à décomposer les données de température en deux parties : une tendance de réchauffement constante pilotée par le dioxyde de carbone et un signal de fond plus complexe et fluctuant causé par d'autres facteurs. En analysant le comportement de ces motifs durant la période historique allant de 1880 à 2005, ils ont créé un ensemble de règles pour redimensionner les sorties de leurs modèles. L'objectif était de forcer les modèles à s'aligner sur les enregistrements de température réels dont nous disposons, en les « calant » ainsi avant de regarder vers l'avenir.

Les résultats de cette expérience ont montré que la méthode fonctionnait bien pour le passé immédiat, mais qu'elle se heurtait à un mur lorsqu'il s'agissait de regarder plus loin devant. Lorsque les chercheurs ont appliqué leurs règles de redimensionnement aux projections des modèles pour l'année 2100, l'écart entre les prévisions des différents modèles s'est considérablement réduit. Les trois modèles, qui prédisaient initialement des taux de réchauffement différents, se sont rapprochés, convergeant tous vers une augmentation de la température mondiale d'environ 3 degrés Celsius d'ici la fin du siècle. Cela suggère que la méthode a réussi à réduire l'incertitude des prévisions à court terme des modèles en corrigeant les biais qui étaient visibles dans les données historiques. Les chercheurs ont constaté que les modèles avaient tendance à surestimer la vitesse du réchauffement futur, et leur processus d'ajustement a ramené ces projections à un niveau plus cohérent.

Cependant, l'étude a également révélé une limitation critique. Bien que le redimensionnement ait fonctionné pour la période historique et le futur proche, il a échoué à contraindre un type spécifique de signal climatique qui émerge plus tard dans le XXIe siècle. Les chercheurs ont découvert qu'il existe une composante de changement climatique à mouvement lent, probablement liée à la manière dont l'océan et l'atmosphère s'ajustent au réchauffement sur des décennies, qui n'apparaît pas clairement dans les données historiques. Comme ce signal n'était pas visible dans le passé, la méthode de reconnaissance de formes ne pouvait ni l'identifier ni le corriger. Par conséquent, même après le redimensionnement des modèles, ceux-ci divergeaient toujours sur l'ampleur de ce réchauffement de fin de siècle. L'étude suggère que, si nous pouvons améliorer nos modèles en les faisant correspondre à ce que nous avons déjà observé, il existe encore des processus à action lente et cachés dans le système climatique qui restent difficiles à prédire avec les méthodes actuelles.

Les chercheurs ont testé leur idée en utilisant une version de leur modèle comme substitut au « monde réel » pour voir si le redimensionnement pouvait rapprocher les autres modèles de celui-ci. Cette expérience a confirmé que la méthode pouvait effectivement réduire les différences entre les modèles, prouvant que la technique est mathématiquement solide. Pourtant, la conclusion fondamentale demeure que la méthode n'est aussi bonne que les données dont elle apprend. Si un signal de changement climatique est trop lent pour être détecté dans l'enregistrement historique, la méthode ne peut pas corriger l'erreur du modèle concernant ce signal. Cela implique que, bien que nous puissions affiner nos projections climatiques en apprenant du passé, il existe une limite fondamentale à la réduction de l'incertitude sans comprendre ces mécanismes plus profonds et plus lents du système climatique terrestre. Ce travail ne résout pas entièrement le problème de l'incertitude des modèles, mais il offre une voie plus claire pour comprendre là où nos outils actuels réussissent et là où ils échouent.

Résumé Technique : Réduction de l'incertitude du signal forcé dans les modèles climatiques de l'INM RAS à l'aide d'une approche basée sur la reconnaissance de formes

Énoncé du problème
Les modèles du système Terre (ESM) présentent une incertitude inter-modèles significative concernant les projections climatiques futures, particulièrement en ce qui concerne la température de l'air à la surface (SAT). Cet écart provient des différences entre les paramétrisations spécifiques aux modèles (par exemple, la physique des nuages) et la variabilité interne. Bien que des approches précédentes aient tenté de réduire cette incertitude par la pondération des modèles (basée sur l'ascendance, la performance et l'indépendance) ou par des « contraintes émergentes » (relations linéaires entre les prédicteurs historiques et les prédicteurs futurs), ces méthodes souffrent souvent d'une portée limitée (se concentrant sur des métriques scalaires uniques) ou d'une sélection de prédicteurs ad hoc. Les auteurs abordent le défi de la réduction de l'écart dans les projections climatiques grillées pour un ensemble spécifique de modèles — les modèles de l'Institut de Mathématiques Numériques de l'Académie des Sciences de Russie (INM RAS) — en intégrant les contraintes émergentes à une méthodologie de reconnaissance de formes.

Méthodologie
L'étude analyse trois versions des modèles de l'INM RAS (CM5, CM6M et CM6P) sous des simulations historiques (1850–2014) et selon le scénario SSP3-7.0 (2015–2100). La méthodologie se déroule en trois étapes principales :

Décomposition du signal forcé :
- Signal congruent au CO2 : Les auteurs isolent la variabilité de la SAT congruente au CO2 en effectuant une régression de la série temporelle de la moyenne de l'ensemble de la SAT contre la série temporelle de la moyenne annuelle du $\ln(CO_2)$ sur des périodes d'entraînement spécifiques (allant de 1880–2005 à 1880–2045).
- Décomposition des résidus : Le résidu, soit la variabilité détrendée par rapport au CO2, est décomposé à l'aide de motifs maximisant le rapport signal/bruit (S/NP). Cette technique identifie les motifs spatiaux qui maximisent le ratio de la variance de la moyenne de l'ensemble sur la variance totale, séparant efficacement le signal forcé de la variabilité interne parasitée. L'étude conserve les trois modes S/NP principaux.
Redimensionnement basé sur la reconnaissance de formes (Contraintes émergentes) :
- Les auteurs appliquent une procédure de moindres carrés pour redimensionner les signaux forcés dérivés des modèles (à la fois la composante congruente au CO2 et les composantes des S/NP du résidu) afin de correspondre aux données de réanalyse (NOAA 20CRv3 et la version mélangée ERA-20C) sur la période d'entraînement historique (1880–2005).
- Cela génère des coefficients de redimensionnement qui cartographient l'évolution historique du modèle vers la « vérité terrain » de la réanalyse. Ces coefficients sont ensuite appliqués aux projections futures (1880–2100) pour produire une bibliothèque de séries temporelles de signaux forcés grillés, optimisées par les contraintes.
Analyse des résidus et validation :
- L'étude examine le « signal forcé résiduel » qui reste indétectable par le redimensionnement basé sur les formes à la fin du XXIe siècle.
- Pour valider l'efficacité du redimensionnement sans observations futures, les auteurs réalisent une expérience de « pseudo-observation » où les simulations CM5 sont traitées comme la vérité terrain pour redimensionner les modèles CM6.
- Un modèle de bilan énergétique (EBM) idéalisé, couplé à un modèle de boîte océanique de type Stommel, est utilisé pour émettre l'hypothèse selon laquelle certains modes climatiques à ajustement lent (par exemple, liés à l'affaiblissement de la circulation méridienne de retournement) pourraient n'émerger qu'à la fin du XXIe siècle, échappant ainsi à la détection par l'entraînement historique.

Résultats clés

Décomposition du signal : Les motifs du signal congruent au CO2 à travers les trois modèles sont spatialement similaires (corrélations > 0,93) mais diffèrent en magnitude. Les modèles CM6 présentent un réchauffement plus marqué sur la ceinture tropicale et un contraste terre-mer plus prononcé par rapport au CM5.
Efficacité du redimensionnement : Le redimensionnement par reconnaissance de formes réussit à réduire l'écart inter-modèles dans les projections du réchauffement global.
- Pour les modèles originaux non redimensionnés, le réchauffement projeté d'ici 2100 varie d'environ 3,5 °C (CM5) à environ 5 °C (modèles CM6).
- Après redimensionnement à l'aide des données de réanalyse historique, le réchauffement projeté converge vers environ 3 °C pour tous les modèles, et l'incertitude inter-modèles est réduite à environ 0,5 °C ou moins.
- Les coefficients de redimensionnement indiquent généralement que le modèle CM5 se réchauffe légèrement plus lentement que la réanalyse (nécessitant une correction à la hausse), tandis que les modèles CM6 se réchauffent trop vite (nécessitant des corrections à la baisse).
Limites : Malgré la réduction de l'écart, le redimensionnement ne parvient pas à contraindre totalement le signal climatique congruent au CO2 émergeant dans la seconde moitié du XXIe siècle. Un signal forcé résiduel, caractérisé par une moyenne globale proche de zéro mais des motifs spatiaux distincts, persiste.
Validation : L'expérience de « pseudo-observation » confirme que la procédure de redimensionnement réduit les différences entre les modèles CM6 et la simulation « vraie » du CM5, bien que des différences résiduelles subsistent en raison de dynamiques de modèles distinctes et du signal résiduel non détecté.

Signification et affirmations
Les auteurs affirment que leur méthodologie offre une alternative basée sur les données aux contraintes émergentes traditionnelles en utilisant la reconnaissance de formes pour remettre en carte les champs climatiques grillés plutôt qu'en s'appuyant sur des prédicteurs scalaires uniques. Ils postulent que cette approche agit comme une « paramétrisation basée sur les données » pour les rétroactions climatiques qui sont mal représentées ou absentes dans les ESM actuels, ce qui permet potentiellement d'élucider les moteurs physiques de l'incertitude des modèles.

Cependant, l'article maintient une position modeste concernant la résolution ultime de l'incertitude. Les auteurs déclarent explicitement que, bien que le redimensionnement réduise l'écart des motifs de réchauffement, il « échoue à contraindre un signal climatique congruent au CO2 émergeant dans la seconde moitié du XXIe siècle ». Ils attribuent cela à des ajustements lents du système climatique (tels que les changements de circulation océanique) qui ne deviennent détectables au-dessus de la variabilité interne qu'à la fin du XXIe siècle, un phénomène que les périodes d'entraînement historiques ne peuvent pas capturer de manière fiable. Par conséquent, l'étude conclut que si le redimensionnement basé sur les formes est efficace pour réduire l'incertitude basée sur l'historique, des limites intrinsèques subsistent pour projeter les signaux de la fin du siècle qui émergent en dehors de la fenêtre d'entraînement.

Articles similaires