Vers une utilisation de l'Intelligence Artificielle dans un modèle numérique de climat - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Using Artificial Intelligence in a numerical climate model

Vers une utilisation de l'Intelligence Artificielle dans un modèle numérique de climat

Résumé

In a numerical climate model, the role of physical parameterizations is to represent the averageeffect of subgrid-scale processes (e.g., deep convection, turbulence) at model resolution. Currentparameterizations are numerically efficient, but also the main source of uncertainty in climatemodels. In recent years, the use of Artificial Intelligence (AI) techniques, in particular neuralnetworks (NN), has allowed the development of a new kind of parameterization. As opposed totraditional physical parametrizations, developed using theoretical knowledge and observations,learned parametrizations are directly fitted to a dataset derived from a high-resolution simulation, inorder to learn a more accurate representation of the different subgrid processes. The first results arepromising, but major problems remain to be solved before their use in a climate model to replacetraditional parameterizations. The aim of this thesis is to investigate some of these problems usingtoy models and through the implementation of a machine learning based, deep convection parameterization in a climate model.First of all, the use of NN-learned physics can make the climate model in which it is pluggedunstable. The first part of this thesis is dedicated to the study of this instability in a toy modelspecifically developed to investigate this problem. A second problem is the performance of thelearned parameterization, once they are plugged into a climate model, especially in terms of modelclimatology (e.g., long-term bias). We have developed a method to adjust the long-term statistics ofa learned parameterization. The method was illustrated using toy models. Finally, we focused on thelearning of a deep convection scheme using NN. The learned scheme was successfully implementedin the global climate model developed at CNRM, ARPEGE-Climat, as a replacement of the physicalscheme. We have performed several years of simulation without noticing any drift of the model.The main characteristics of the mean climate are well represented. The learned parameterization isinterpreted using sensitivity analysis tools. This study lays some groundwork for the developmentof learned parameterizations from high-resolution data, the use of which could improve theaccuracy of numerical climate models.
Dans un modèle de climat, les paramétrisations physiques ont pour rôle de représenter l’effet moyen des processus sous-maille (e.g., convection profonde, turbulence) à la résolution du modèle. Elles sont numériquement efficaces, mais aussi la principale source d’incertitude dans les modèles de climat. Depuis quelques années, l’utilisation des techniques d’Intelligence Artificielle (IA), en particulier celle des réseaux de neurones (Neural Networks, NN), a permis de développer des paramétrisations d’un genre nouveau. Contrairement aux paramétrisations physiques traditionnelles, développées en utilisant des connaissances théoriques et des observations, les paramétrisations apprises sont ajustées à un jeu de données issu d’une simulation haute-résolution directement, dans le but d’apprendre une représentation plus précise des différents processus sous-maille. Les premiers résultats sont prometteurs, mais il reste des problèmes majeurs à résoudre avant leur utilisation dans un modèle de climat, en remplacement des paramétrisations traditionnelles. Le but de cette thèse est l’étude de quelques-uns de ces problèmes à l’aide de modèles jouets et à travers l’apprentissage d’une partie de la paramétrisation physique implémentée dans un modèle de climat. Tout d’abord, l’utilisation d’une physique apprise par des NN peut rendre instable le modèle de climat dans lequel elle est branchée. La première partie de cette thèse est dédiée à l’étude de cette instabilité avec l’aide d’un modèle jouet, spécifiquement développé pour étudier ce problème. Un deuxième problème concerne la performance des physiques apprises, une fois celles-ci branchées dans un modèle de climat, notamment en terme de climatologie du modèle (e.g., biais de longterme). Nous avons développé une méthode permettant d’ajuster les statistiques de long-terme d’une physique apprise. La méthode a été illustrée à l’aide de modèles jouets. Enfin, nous nous sommes intéressés à l’apprentissage d’un schéma de convection profonde à l’aide de NN. Le schéma appris a été implémenté avec succès dans le modèle de climat global développé au CNRM, ARPEGE-Climat, en remplacement du schéma physique. Nous avons réalisé plusieurs années de simulation sans constater de divergence du modèle. Les principales caractéristiques du climat moyen sont bien représentées. La physique apprise est interprétée en utilisant des outils d’analyse de sensibilité. Cette étude pose quelques bases en vue du développement de paramétrisations apprises à partir de données haute-résolution, dont l’utilisation pourrait améliorer la précision des modèles numériques du climat.
Fichier principal
Vignette du fichier
BALOGH_Blanka.pdf (15.08 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04066421 , version 1 (12-04-2023)
tel-04066421 , version 2 (20-12-2023)

Identifiants

  • HAL Id : tel-04066421 , version 2

Citer

Blanka Balogh. Vers une utilisation de l'Intelligence Artificielle dans un modèle numérique de climat. Sciences de la Terre. Institut National Polytechnique de Toulouse - INPT, 2022. Français. ⟨NNT : 2022INPT0067⟩. ⟨tel-04066421v2⟩
299 Consultations
64 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More