@unpublished{publications48643,
           month = {December},
           title = {Robust estimation of regional climate change : construction of an hybrid approach between deep neural networks and climate models},
          author = {Antoine Doury},
            year = {2022},
             url = {https://publications.ut-capitole.fr/id/eprint/48643/},
        abstract = {Un des grands d{\'e}fis pour la communaut{\'e} scientifique du climat est de produire une information fiable concernant les impacts locaux du changement climatique global. Les mod{\`e}les de climat sont les principaux outils pour {\'e}tudier son {\'e}volution en fonction de sc{\'e}narios li{\'e}s aux activit{\'e}s humaines et {\'e}missions de gaz {\`a} effet de serre. Les mod{\`e}les de climat globaux (GCM) produisent des simulations couvrant l?ensemble du globe {\`a} des r{\'e}solutions trop faibles pour repr{\'e}senter correctement certains {\'e}v{\'e}nements m{\'e}t{\'e}orologiques extr{\^e}mes qui impactent fortement nos soci{\'e}t{\'e}s. Aujourd'hui, nous utilisons des mod{\`e}les de climat r{\'e}gionaux (RCM) pour transformer une simulation globale {\`a} basse r{\'e}solution en simulation {\`a} haute r{\'e}solution sur une zone g{\'e}ographique d?int{\'e}r{\^e}t. Cependant, la haute r{\'e}solution de ces mod{\`e}les implique des co{\^u}ts de calcul tr{\`e}s {\'e}lev{\'e}s limitant le nombre de simulations r{\'e}alisables et donc l?exploration n{\'e}cessaire des diff{\'e}rentes sources d?incertitudes. 

Le pr{\'e}sent travail a pour objectif de proposer une strat{\'e}gie pour cr{\'e}er {\`a} moindre co{\^u}t, des simulations haute r{\'e}solution {\`a} partir d'autres {\`a} basse r{\'e}solution. Le RCM-emulateur, introduit ici, cherche {\`a} estimer la fonction de descente d?{\'e}chelle incluse dans un RCM en utilisant notamment les r{\'e}cents d{\'e}veloppement concernant les r{\'e}seaux de neurones. Cette {\'e}tude introduit le concept de l?{\'e}mulateur et pr{\'e}sente un cadre pour le construire, l?entra{\^i}ner et l?{\'e}valuer. Le r{\'e}sultat principal de cette {\'e}tude est que l?{\'e}mulateur est une approche cr{\'e}dible pour relever ce d{\'e}fi. En effet, il montre une excellente capacit{\'e} {\`a} cr{\'e}er des champs de temp{\'e}rature et pr{\'e}cipitation {\`a} haute r{\'e}solution coh{\'e}rent avec la simulation basse r{\'e}solution d'origine. Nous {\'e}tudions aussi son applicabilit{\'e} {\`a} diff{\'e}rentes simulation basse r{\'e}solution. Ce travail met aussi en {\'e}vidence l'avantage d{\'e}cisif d'utiliser des simulations RCM pour apprendre cette relation puisque cela permet d'explorer des climats futurs et des r{\'e}gions mal observ{\'e}es.

Les r{\'e}sultats de cette {\'e}tude ouvrent la porte {\`a} de nouveau d{\'e}veloppements mais aussi {\`a} diverses applications prometteuses. En effet, le RCM-emulateur rend possible la production de messages robustes concernant les impacts locaux du changement climatique. De plus, un autre r{\'e}sultat important de ce travail est l'importance du jeu de donn{\'e}es d'apprentissage sur les performances de l?{\'e}mulateur. Il est essentiel de d{\'e}finir le meilleur ensemble de simulation pour construire un {\'e}mulateur robuste ce qui implique peut-{\^e}tre de revoir la mani{\`e}re de choisir quelle simulation faire avec un RCM.}
}