L’apprentissage automatique aide à réduire fortement l’incertitude sur le réchauffement futur

Pourquoi cela compte pour notre avenir

Lorsque les scientifiques estiment l’ampleur du réchauffement planétaire, l’éventail des futurs possibles reste large, et cette incertitude influence tout, de la planification côtière aux politiques énergétiques. Cette étude montre que des techniques puissantes d’apprentissage par ordinateur peuvent extraire beaucoup plus d’informations à partir du réchauffement déjà observé, réduisant fortement la plage des températures futures probables. Cela offre des indications plus nettes sur la vitesse à laquelle nous pourrions franchir des objectifs climatiques internationaux clés, comme 1,5 °C et 2 °C de réchauffement global.

Aller au-delà de la moyenne globale

Jusqu’à présent, la plupart des efforts pour affiner les projections de réchauffement futur se sont appuyés de manière prépondérante sur un seul nombre : l’élévation de la température moyenne de surface de la planète. Mais le réchauffement n’est pas uniforme. Certaines régions, comme l’Arctique et des parties des tropiques, se réchauffent beaucoup plus vite que d’autres. Les auteurs soutiennent que ces différences géographiques contiennent des indices précieux qui sont largement ignorés quand on se concentre uniquement sur la moyenne globale. Ils utilisent une forme d’apprentissage automatique pour lire la carte mondiale complète des tendances de température des 50 dernières années et relier ces schémas à l’éventail des résultats de réchauffement produits par des dizaines de modèles climatiques.

Apprendre à un ordinateur à partir du réchauffement passé

L’équipe entraîne un algorithme d’apprentissage sur des simulations de nombreux modèles climatiques ayant participé à un important projet international de comparaison. Pour chaque simulation de modèle, ils fournissent le schéma de réchauffement de 1971 à 2020 pour chaque point de grille sur Terre et demandent à l’algorithme de prédire combien le modèle se réchauffera globalement dans trois fenêtres temporelles futures : à court terme (2021–2040), au milieu du siècle (2041–2060) et en fin de siècle (2081–2100), selon plusieurs trajectoires d’émissions. En répétant cela sur des centaines de simulations, le système apprend quelles parties des schémas de réchauffement passés sont les plus étroitement liées à l’élévation globale finale de la température, et la force de ces liens.

Identifier les régions clés qui façonnent l’avenir

Le système d’apprentissage découvre de manière répétée que certaines régions jouent un rôle bien plus important qu’on ne le suppose dans la détermination du réchauffement global futur. Il s’agit notamment de l’Arctique, du plateau tibétain, de l’Asie du Sud et du Sud-Est, du bassin amazonien et de certaines parties des océans Indien et Austral. Dans ces zones, le réchauffement local tend à évoluer de façon stable avec la moyenne globale au fil du temps et selon les scénarios, reflétant des rétroactions climatiques fortes et persistantes comme la perte de glace réfléchissante ou des modifications des nuages. L’algorithme attribue naturellement un poids plus important aux cellules de grille où les différents modèles climatiques s’accordent sur la sensibilité des températures, et minimise l’importance des endroits où les modèles divergent, comme certaines parties de l’Arctique eurasien où le comportement de la banquise reste incertain.

Des projections plus nettes et des seuils atteints plus tôt

Lorsque les relations apprises sont appliquées aux cartes de réchauffement effectivement observées issues de plusieurs jeux de données de température, l’incertitude sur le réchauffement global futur diminue sensiblement. En moyenne, toutes trajectoires et périodes confondues, la méthode réduit la variance d’erreur de plus de 70 % par rapport aux projections de modèles non contraintes — soit environ une fois et demie l’amélioration obtenue par des méthodes n’utilisant que la tendance moyenne globale. Fait important, cette approche resserre à la fois les extrémités haute et basse de l’éventail, de sorte que nous avons moins de risque de surestimer ou de sous-estimer le réchauffement futur. Pour une trajectoire d’émissions de milieu à élevé souvent utilisée dans les études d’impacts, l’étude montre que la probabilité de dépasser 2 °C de réchauffement d’ici le milieu du siècle passe à environ 80 % une fois l’information spatiale incluse, contre environ 70 % lorsque seule la tendance moyenne globale est utilisée.

Ce que cela implique pour les populations et la planification

Les projections affinées ne resserrent pas seulement les estimations de l’élévation de la température globale ; elles améliorent aussi les cartes de réchauffement local utilisées pour les évaluations d’impact. Sur la plupart des terres émergées, l’écart des projections de réchauffement à mi-siècle par rapport à aujourd’hui diminue de plusieurs dizaines de pour cent, fournissant des estimations plus précises pour l’agriculture, les ressources en eau, les risques sanitaires et la planification des infrastructures. Parallèlement, le relèvement des bornes basses du réchauffement souligne que des seuils clés de l’Accord de Paris sont susceptibles d’être franchis plus tôt que ne le suggéraient certaines estimations contraintes antérieures. En termes pratiques, ce travail montre que l’utilisation plus intelligente des archives de température existantes — en particulier dans une poignée de régions climatiquement sensibles — peut significativement affiner notre vision du futur climatique et renforcer l’argument en faveur d’une atténuation et d’une adaptation plus rapides et mieux ciblées.

Citation: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Mots-clés: projections du réchauffement climatique, apprentissage automatique climat, schémas de réchauffement, incertitude climatique, seuils de l’Accord de Paris