Prévision des anomalies de température globale à l’aide de réseaux LSTM jumeaux additifs

Pourquoi un monde plus chaud vous concerne

Le réchauffement planétaire peut sembler abstrait, mais ses effets ne le sont pas : montée des mers, vagues de chaleur plus intenses, modifications des régimes de tempêtes et pression sur les approvisionnements alimentaires et en eau. Pour se préparer à ce qui arrive, les scientifiques ont besoin non seulement d’instantanés du climat actuel, mais d’estimations fiables de la vitesse à laquelle les températures augmenteront au cours des prochaines décennies. Cet article explore une nouvelle façon d’utiliser l’intelligence artificielle pour prévoir dans quelle mesure la planète pourrait se réchauffer et ce que cela signifie pour notre proche avenir.

Des thermomètres bruts aux tendances d’ensemble

Plutôt que de travailler avec des relevés météorologiques d’une seule ville, les chercheurs utilisent un enregistrement mondial connu sous le nom de jeu de données des anomalies de température Berkeley Earth. Une « anomalie de température » correspond simplement à l’écart de chaleur ou de fraîcheur d’une période donnée par rapport à une référence historique choisie. Comme les relevés mois par mois sont bruités et fortement influencés par des particularités locales, l’équipe s’appuie sur des moyennes sur cinq ans couvrant 170 ans, du milieu du XIXe siècle à 2022. Lisser ainsi les données réduit les fluctuations aléatoires et fait mieux apparaître la tendance sous-jacente de réchauffement qui reflète la réponse à long terme de la planète aux gaz à effet de serre et à d’autres influences.

Apprendre à un réseau neuronal à « mémoriser » le climat

Pour capter cette tendance et la projeter vers l’avant, les auteurs recourent à une catégorie de réseaux neuronaux artificiels appelée Long Short‑Term Memory, ou LSTM. Les LSTM sont conçus pour traiter des séquences — comme des mots dans une phrase ou des températures au fil du temps — en décidant quelles informations passées conserver et lesquelles oublier. Les LSTM classiques et les modèles apparentés ont bien réussi pour les prévisions à court terme, par exemple pour deviner le prochain point de données. Mais lorsque leurs propres prédictions sont réinjectées comme entrée pour prévoir de nombreux pas dans le futur, les petites erreurs s’accumulent et les perspectives à long terme peuvent dériver fortement par rapport à la réalité.

Diviser les signaux climatiques en deux flux jumeaux

L’innovation centrale de ce travail est un LSTM jumeau additif (AT‑LSTM). Plutôt qu’un seul LSTM qui tente d’imiter chaque variation de l’enregistrement climatique, le modèle utilise deux branches LSTM parallèles. Chaque branche peut se concentrer sur des mécanismes cachés différents dans les données — par exemple le réchauffement lent lié aux gaz à effet de serre versus des oscillations plus rapides liées aux variations climatiques naturelles. Les sorties de ces branches jumelles sont ensuite additionnées et transmises à un réseau « décodeur » final qui transforme leur signal combiné en une prévision d’anomalie de température. Ce dispositif en jumeaux s’aligne non seulement sur la manière dont les climatologues envisagent plusieurs processus partiellement indépendants du système terrestre, mais il étend aussi la plage utile des signaux internes du réseau, contribuant à une plus grande stabilité sur des horizons de prévision longs.

Mettre le modèle à l’épreuve

Pour vérifier si l’AT‑LSTM améliore réellement la prévision à long terme, les auteurs réalisent un test en deux étapes. D’abord, ils entraînent le modèle sur des séries de référence synthétiques — courbes propres générées par ordinateur qui imitent différents types de trajectoires de réchauffement — et sur les données historiques de Berkeley. Ils comparent la capacité de diverses architectures de réseaux neuronaux à reproduire à la fois leurs données d’entraînement et une portion « test » séparée de chaque série que les modèles n’ont jamais vue pendant l’entraînement. Beaucoup de modèles, y compris certains hybrides mélangeant LSTM et couches convolutionnelles, donnent l’impression d’être performants selon ces mesures standard. Cependant, reproduire le passé n’est pas la même chose que regarder l’avenir de façon fiable.

Évaluer les modèles par leur capacité à prévoir, pas seulement à ajuster

La seconde étape se rapproche davantage d’un usage réel. À partir du dernier point observé dans l’ensemble de test, chaque modèle utilise sa propre prédiction précédente comme entrée suivante, avançant de 240 mois — 20 ans — sans jamais être corrigé par des données réelles. Cette configuration révèle la vitesse à laquelle les erreurs s’accumulent. Sur une série d’architectures, l’AT‑LSTM affiche généralement les plus faibles erreurs de prévision moyennes et les meilleurs scores statistiques lorsqu’il est jugé sur cette tâche d’horizon long. Pour le registre des anomalies de température globale en particulier, l’erreur typique du modèle sur une fenêtre de prévision simulée de 20 ans est d’environ 0,07 degré Celsius, nettement inférieure à celle de nombreuses approches d’apprentissage profond concurrentes.

Ce que prédit le modèle pour notre proche avenir

Armés de ce modèle plus stable, les auteurs produisent des projections sur 20 ans des anomalies de température globale de 2022 à 2042. En entraînant 40 versions d’AT‑LSTM pour rendre compte de l’incertitude liée à l’apprentissage du modèle, ils constatent que chacune d’entre elles indique un réchauffement continu. En 2042, l’ensemble des prévisions se regroupe entre environ 1,05 °C et 1,67 °C au‑dessus de la référence historique, avec une moyenne de 1,415 °C et une incertitude estimée d’environ ±0,073 °C. Ces valeurs s’alignent étroitement sur les projections des modèles climatiques classiques et sur les alertes d’organismes tels que le Groupe d’experts intergouvernemental sur l’évolution du climat. En termes simples, si les tendances actuelles se poursuivent, nous sommes susceptibles de nous approcher ou de dépasser le seuil souvent évoqué de 1,5 °C dans les prochaines décennies, ce qui souligne l’urgence de réduire les émissions de gaz à effet de serre et de poursuivre d’autres stratégies d’atténuation climatique.

Citation: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Mots-clés: changement climatique, réchauffement climatique, anomalie de température, réseaux neuronaux, prévision climatique