Doury, Antoine (2022) Robust estimation of regional climate change : construction of an hybrid approach between deep neural networks and climate models. École doctorale Mathématiques, Informatique et Télécommunications (Toulouse).

Preview

Text Download (112MB) | Preview

Abstract

Un des grands défis pour la communauté scientifique du climat est de produire une information fiable concernant les impacts locaux du changement climatique global. Les modèles de climat sont les principaux outils pour étudier son évolution en fonction de scénarios liés aux activités humaines et émissions de gaz à effet de serre. Les modèles de climat globaux (GCM) produisent des simulations couvrant l’ensemble du globe à des résolutions trop faibles pour représenter correctement certains événements météorologiques extrêmes qui impactent fortement nos sociétés. Aujourd'hui, nous utilisons des modèles de climat régionaux (RCM) pour transformer une simulation globale à basse résolution en simulation à haute résolution sur une zone géographique d’intérêt. Cependant, la haute résolution de ces modèles implique des coûts de calcul très élevés limitant le nombre de simulations réalisables et donc l’exploration nécessaire des différentes sources d’incertitudes.

Le présent travail a pour objectif de proposer une stratégie pour créer à moindre coût, des simulations haute résolution à partir d'autres à basse résolution. Le RCM-emulateur, introduit ici, cherche à estimer la fonction de descente d’échelle incluse dans un RCM en utilisant notamment les récents développement concernant les réseaux de neurones. Cette étude introduit le concept de l’émulateur et présente un cadre pour le construire, l’entraîner et l’évaluer. Le résultat principal de cette étude est que l’émulateur est une approche crédible pour relever ce défi. En effet, il montre une excellente capacité à créer des champs de température et précipitation à haute résolution cohérent avec la simulation basse résolution d'origine. Nous étudions aussi son applicabilité à différentes simulation basse résolution. Ce travail met aussi en évidence l'avantage décisif d'utiliser des simulations RCM pour apprendre cette relation puisque cela permet d'explorer des climats futurs et des régions mal observées.

Les résultats de cette étude ouvrent la porte à de nouveau développements mais aussi à 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 résultat important de ce travail est l'importance du jeu de données d'apprentissage sur les performances de l’émulateur. Il est essentiel de définir le meilleur ensemble de simulation pour construire un émulateur robuste ce qui implique peut-être de revoir la manière de choisir quelle simulation faire avec un RCM.

An essential challenge for the climate science community is to provide trustfulinformation about the local impacts of global warming. Climate models are themain tool to study climate evolution according to human activities and greenhousegas emissions scenarios. They are a numerical representation of the Earth System.Global climate models (GCM) produce worldwide simulations at too low resolutionto correctly represent extreme meteorological events that strongly impact our societies.Today we use dedicated regional climate models (RCM) that transform aglobal low-resolution simulation into a high-resolution one over an area of interest.Nevertheless, the high resolution of those models implies a (much) higher cost thatstrongly limits the number of those climate simulations and, thus, the necessaryexploration of the different sources of uncertainties.The present work aims to propose a strategy to recreate, at low-cost, highresolutionsimulations from low-resolution ones. The RCM-emulator introduced hereaims to estimate the downscaling function included in a RCM using the recent developmentof neural networks. This study introduces the concept of RCM-emulatorand presents a framework to build, train, and evaluate it. The main result of thisstudy is that the RCM emulator is a credible approach to take up this challenge.Indeed it shows an excellent ability to create realistic high-resolution temperatureand precipitation fields, consistent with the low-resolution simulation it downscales.We also study the applicability of the tool the various low-resolution simulations.Moreover, this work also highlights the decisive advantage of using RCM simulationsto learn this relationship as it allows to explore future climates and poorly knownregions.The conclusions of this study open the door to further development and variouspromising applications. Indeed, the RCM-Emulator makes possible the productionof robust messages about the local impacts of climate change. Moreover, anothersignificant result of this work is that the emulator performance relies strongly on thecalibration set. It is then essential to design the best simulation set to have the mostrobust emulator implying maybe to revisit the way of choosing which simulation tomake with a RCM.