Combler modèles idéalisés et modèles opérationnels : un cadre d’IA explicable pour les émulateurs du système terrestre

Pourquoi de meilleurs modèles climatiques sont essentiels

Les prévisions saisonnières et les projections climatiques à long terme orientent des décisions cruciales concernant la sécurité alimentaire, la gestion de l’eau et la préparation aux catastrophes. Or, même les modèles informatiques les plus sophistiqués peuvent mal estimer des phénomènes importants comme El Niño, qui peut provoquer aussi bien des sécheresses que des inondations à l’échelle mondiale. Cet article présente une nouvelle manière de rendre ces modèles complexes plus intelligents et plus fiables en leur permettant « d’apprendre » à partir de modèles simplifiés et finement réglés, via une forme d’intelligence artificielle explicable.

Deux catégories de modèles climatiques, deux types de forces

Les modèles climatiques opérationnels modernes simulent le système terrestre dans son ensemble avec un grand détail, suivant l’atmosphère, l’océan, les terres et la glace sur des maillages globaux. Ils sont puissants mais imparfaits : ils tendent à présenter des biais dans la représentation des événements extrêmes et des statistiques de modes récurrents comme El Niño et La Niña. À l’autre extrémité se trouvent les modèles idéalisés. Ce sont des équations épurées qui isolent quelques processus clés, souvent dans une seule région ou le long d’une section océanique. Parce qu’ils sont simples et rapides, les scientifiques peuvent les ajuster finement pour reproduire très précisément certains comportements et statistiques. Malheureusement, ces deux univers modélaires se rencontrent rarement : les modèles détaillés sont trop complexes pour être corrigés manuellement à partir des enseignements des modèles simples, et ces derniers manquent des champs riches nécessaires à des prévisions pratiques.

Un pont construit avec une IA explicable

Les auteurs proposent un « modèle pont » qui combine les forces des deux approches en recourant à une intelligence artificielle explicable plutôt qu’à une solution boîte noire. D’abord, ils compressent l’énorme sortie d’un modèle climatique complexe en une représentation « latente » compacte à l’aide d’un autoencoder, un réseau de neurones qui apprend à reconstruire les champs complets à partir d’un ensemble beaucoup plus petit de nombres. Ils enrichissent ensuite cet état compact avec une poignée de variables clés — par exemple la température de surface de la mer et la profondeur de la thermocline le long de l’équateur — fournies par un modèle idéalisé connu pour bien reproduire les observations. Un second réseau neuronal apprend comment l’état compressé évolue dans le temps, tandis qu’une étape d’assimilation de données pousse à plusieurs reprises cet état évolutif vers les motifs issus du modèle idéalisé. Comme cette correction s’effectue via des formules statistiques bien comprises, l’influence du modèle simple sur le système complet peut être quantifiée et tracée, rendant le processus explicable.

Corriger la forme, la force et le rythme d’El Niño

Pour tester leur cadre, les chercheurs se concentrent sur l’oscillation australe El Niño–Southern Oscillation dans le Pacifique équatorial, dont les phases chaudes (El Niño) et froides (La Niña) affectent fortement le climat mondial. De nombreux modèles de pointe, y compris ceux utilisés dans le projet d’intercomparaison CMIP6, peinent à reproduire la diversité des événements El Niño : certains culminent dans le Pacifique oriental, d’autres dans le Pacifique central, et leur intensité et leur calendrier varient d’un cycle à l’autre. En utilisant des modèles idéalisés qui captent fidèlement les statistiques de ces variations, le modèle pont corrige substantiellement les biais d’un modèle opérationnel de référence (CESM2). Il améliore les schémas spatiaux des températures de surface et subsurface et des vents, reproduit les distributions de probabilité observées et les rythmes saisonniers des indices d’El Niño, et restitue des séquences d’événements réalistes, y compris des épisodes extrêmes et pluriannuels.

Explorer rapidement et clairement des mondes « et si »

Parce que le pont fonctionne sur une version compressée du modèle complet, il est beaucoup moins coûteux en calcul que le système climatique original : une simulation de plusieurs décennies prend quelques minutes sur un ordinateur standard au lieu des ressources considérables requises par un modèle global complet. Cette efficacité permet aux scientifiques de générer de grands ensembles pour étudier des extrêmes rares et explorer des scénarios « et si ». Par exemple, en modifiant un paramètre à variation lente dans le modèle idéalisé représentant la force des alizés du Pacifique, les auteurs examinent des futurs avec une circulation atmosphérique persistant plus faible ou plus forte. Le modèle pont réagit en déplaçant la localisation et l’intensité des événements El Niño, en accord avec des études antérieures, mais pour une fraction du coût informatique. Parce que les corrections s’opèrent via une étape d’assimilation de données transparente, les chercheurs peuvent voir quelles parties du système sont orientées et avec quelle intensité.

Un nouveau type de jumeau climatique

Concrètement, ce cadre permet à un grand modèle climatique détaillé de « emprunter la sagesse » d’un modèle simple et bien compris sans devenir une boîte noire mystérieuse. L’hybride résultant se comporte comme un jumeau numérique du système climatique réel : il préserve les champs riches et haute résolution nécessaires aux études d’impacts tout en alignant ses motifs et ses statistiques clés avec les observations et une théorie soigneusement calibrée. Les auteurs soutiennent que cette approche peut être étendue à d’autres régions, à plusieurs modèles, et même au-delà des sciences de la Terre à tout système complexe où coexistent modèles simples et détaillés. En rendant les corrections interprétables, leur travail favorise une collaboration plus étroite entre les communautés qui développent des modèles idéalisés et celles qui maintiennent des modèles opérationnels, ouvrant la voie à des prévisions des extrêmes climatiques plus fiables et utiles pour la société.

Citation: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

Mots-clés: El Niño, modélisation climatique, IA explicable, assimilation de données, jumeaux numériques