La modélisation atmosphérique améliorée grâce à l'apprentissage automatique

Les modèles atmosphériques sont essentiels pour comprendre et prévoir les conditions météorologiques et climatiques, mais la modélisation des processus à petite échelle est souvent difficile en raison de l'expérience informatique requise. De nombreux modèles globaux utilisent des paramétrisations conventionnelles pour estimer l'impact de ces processus, mais ces estimations peuvent être inexactes. C'est là qu'intervient l'apprentissage automatique. Dans un nouvel article publié dans le Journal of Advances in Modeling Earth Systems, les auteurs Yuval et O'Gorman explorent comment l'apprentissage automatique peut être utilisé pour améliorer les paramétrisations conventionnelles des processus à petite échelle dans les modèles atmosphériques. Ils ont créé un ensemble de données d'entraînement à partir de simulations à très haute résolution pour entraîner un réseau de neurones à prédire les effets du transport de quantité de mouvement à petite échelle dans l'atmosphère. Les résultats montrent que le nouveau paramétrage améliore généralement la simulation des vents dans un modèle à résolution grossière, mais peut également entraîner des biais plus importants dans certaines configurations. L'étude de Yuval et O'Gorman est une première étape importante pour les chercheurs intéressés par l'application de l'apprentissage automatique à la modélisation atmosphérique. Cette méthode offre un potentiel pour améliorer la précision de ces modèles, qui sont essentiels pour comprendre les conditions météorologiques et climatiques actuelles et futures. Avec une meilleure précision, nous pouvons mieux comprendre les impacts du changement climatique et prendre des mesures pour y faire face.