Le Machine Learning, incontournable outil face aux défis du changement climatique
Pour comprendre et atténuer le dérèglement climatique, et limiter ses conséquences parfois désastreuses, l’homme peut compter sur l’aide du Machine Learning, qui permet de dépasser les limites propres à la science du climat, comme l’explique Claire Monteleoni, Directrice de recherche à l’INRIA.
Aussi extrême qu’imprévisible dans ses emportements, la nature est même capable d’ajouter l’improbable à l’improbable, démultipliant d’autant les dégâts. C’est ce qu’on appelle les « cascading hazards », les catastrophes en chaîne, dont les effets destructeurs sont amplifiés par l’impossibilité de s’y préparer et l’incapacité à y faire face.
C’est ce qui s’est produit dans le Colorado quand un incendie, attisé par des vents d’une rare violence, a pu se propager sur un sol auparavant desséché par plusieurs mois d’hiver sans chutes de neige. Ou en Californie, quand des orages ont entraîné des coulées de boue mortelles parce qu’un incendie venait de détruire la végétation qui d’ordinaire retient le sol.
Aujourd’hui impuissant, l’homme peut cependant espérer trouver un allié dans le Machine Learning (ML), qui peut l’aider à comprendre, prévoir et anticiper de tels phénomènes climatiques rares et complexes. C’est pourquoi le ML est aujourd’hui l’un des principaux domaines de recherche de l’informatique climatique (Climate Informatics), un champ d’étude interdisciplinaire qui se développe depuis une quinzaine d’années et qui gagne peu à peu ses lettres de noblesse, avec événements (conférence, hackathons…) et revue scientifique dédiés. En 2018, le World Economic Forum l’a même élevée au rang de priorité pour l’environnement.
Outre l’urgence de l’action, plusieurs facteurs plaident pour faire de l’informatique climatique une discipline à part entière. Tout d’abord, le climat est un domaine absolument unique du point de vue des données, qui sont extrêmement hétérogènes dans le temps comme dans l’espace. Les données historiques sont rares et très localisées tandis que les données actuelles varient, selon les zones de la planète, entre absence totale et surabondance.
Par ailleurs, ce sont des données qui, à première vue, se prêtent mal à l’entraînement de modèles de ML : la plupart ne sont pas étiquetées, très peu concernent les événements extrêmes (rares, par définition), et elles sont non stationnaires, étant elles-mêmes influencées par le changement climatique. En réalité, le ML peut servir à contourner ces limitations, par exemple via des stratégies d’apprentissage non supervisé ou de réduction d’échelle (downscaling), qui permettent, en prenant de la hauteur, d’induire les données là où elles manquent.
Une autre spécificité majeure de la science climatique est qu’elle fonctionne exclusivement sur des modèles puisqu’il n’y a qu’un seul sujet, la Terre, et donc aucune expérimentation possible. En climatologie, le jumeau numérique existe depuis 60 ans ! Là encore, le ML peut jouer un rôle clé pour surmonter cet obstacle en rapprochant les modèles, en les combinant, en les hybridant, pour qu’ils se renforcent les uns les autres et pour produire des « méta-prédictions ».
Pour la science du climat, le ML est donc une arme doublement efficace, permettant, d’une part, de dépasser les limitations intrinsèques du domaine et apportant, d’autre part, ses exceptionnelles capacités d’analyse face à des problèmes complexes, aux causalités multiples. Le ML peut ainsi permettre de réaliser des progrès importants dans la compréhension du changement climatique ; dans l’adaptation à ses effets, notamment via une meilleure anticipation des événements extrêmes et des catastrophes en chaîne (ouragans, avalanches, mousson…) ; et dans l’accélération de la transition écologique, par exemple en optimisant le déploiement des énergies renouvelables.
Face à l’urgence environnementale, à la multiplication de catastrophes de plus en plus dévastatrices et au creusement de l’injustice climatique, le ML s’impose sans conteste comme un instrument de compréhension et d’action incontournable.
Choose France Chair in AI, Research Director INRIA-Paris / Associate Professor of Computer Science, University of Colorado Boulder
