De fortes précipitations peuvent provoquer des catastrophes naturelles, telles que des inondations ou des glissements de terrain. Des modèles climatiques mondiaux sont nécessaires pour prévoir la fréquence de ces événements extrêmes, qui devrait changer en raison du changement climatique. Des chercheurs de l’Institut technologique de Karlsruhe (Package) ont développé une première méthode basée sur l’intelligence artificielle (IA), grâce à laquelle la précision des champs de précipitations grossières générés par les modèles climatiques mondiaux peut être augmentée. Les chercheurs ont réussi à améliorer la résolution spatiale des champs de précipitations de 32 à deux kilomètres et la résolution temporelle d’une heure à dix minutes. Cette résolution moreover élevée est nécessaire pour mieux prévoir l’apparition as well as fréquente de fortes précipitations locales et les catastrophes naturelles qui en résulteront à l’avenir.
De nombreuses catastrophes naturelles, comme les inondations ou les glissements de terrain, sont directement causées par des précipitations extrêmes. Les chercheurs s’attendent à ce que l’augmentation des températures moyennes entraîne une nouvelle augmentation des précipitations extrêmes. Pour s’adapter au changement climatique et se préparer à temps aux catastrophes, des données locales et mondiales précises sur le cycle de l’eau actuel et futur sont indispensables. « Les précipitations sont très variables dans l’espace et dans le temps et sont donc difficiles à prévoir, en particulier au niveau area », explique le Dr Christian Chwala de la Division de recherche sur l’environnement atmosphérique de l’Institut de météorologie et de recherche climatique (IMK-IFU) du Package. Campus Alpine du Package à Garmisch-Partenkirchen. » C’est pour cette raison que nous souhaitons améliorer la résolution des champs de précipitations générés par exemple par les modèles climatiques globaux et améliorer leur classification en fonction des menaces possibles, telles que les inondations. «
Une résolution plus élevée pour des modèles climatiques régionaux additionally précis
Les modèles climatiques globaux actuellement utilisés reposent sur une grille qui n’est pas suffisamment high-quality pour présenter avec précision la variabilité des précipitations. Des cartes de précipitations hautement résolues ne peuvent être produites qu’avec des modèles coûteux en termes de calcul et, par conséquent, limités dans l’espace ou dans le temps. « Pour cette raison, nous avons développé un réseau neuronal génératif basé sur l’IA, appelé GAN, et l’avons entraîné avec des champs de précipitations radar à haute résolution. De cette façon, le GAN apprend à générer des champs de précipitations réalistes et à dériver leur séquence temporelle à partir de données grossièrement précises. données résolues », explique Luca Glawion de l’IMK-IFU. « Le réseau est capable de générer des movies de précipitations radar hautement résolus à partir de cartes à résolution très grossière. » Ces cartes radar raffinées montrent non seulement remark les cellules de pluie se développent et se déplacent, mais reconstruisent également avec précision les statistiques locales de pluie et la distribution des valeurs extrêmes correspondantes.
« Notre méthode sert de base pour augmenter la résolution des champs de précipitations à grains grossiers, de telle sorte que la forte variabilité spatiale et temporelle des précipitations puisse être reproduite de manière adéquate et que les effets locaux puissent être étudiés », explique Julius Polz de l’IMK-IFU. « Notre méthode d’apprentissage en profondeur est plusieurs fois furthermore rapide que le calcul de champs de précipitations aussi hautement résolus avec des modèles météorologiques numériques généralement appliqués pour affiner au niveau régional les données des modèles climatiques mondiaux. » Les chercheurs soulignent que leur méthode génère également un ensemble de différents champs de précipitations potentiels. Ceci est significant, car il existe une multitude de answers hautement résolues physiquement plausibles pour chaque champ de précipitations grossièrement résolu. Semblable à une prévision météorologique, un ensemble permet une détermination in addition précise de l’incertitude associée.
Une résolution plus élevée pour de meilleures prévisions deal with au changement climatique
Les résultats montrent que le modèle d’IA et la méthodologie développés par les chercheurs permettront l’utilisation foreseeable future des réseaux de neurones pour améliorer la résolution spatiale et temporelle des précipitations calculées par les modèles climatiques. Cela permettra une analyse as well as précise des impacts et de l’évolution des précipitations dans un climat changeant.
« Dans une prochaine étape, nous appliquerons la méthode aux simulations climatiques mondiales qui transfèrent des circumstances météorologiques spécifiques à grande échelle à un monde futur avec un climat modifié, par exemple jusqu’en 2100. La in addition haute résolution des événements de précipitations simulés avec notre méthode permettra permettre de mieux estimer l’impact qu’auraient eu les circumstances météorologiques qui ont provoqué la crue de la rivière Ahr en 2021 dans un monde additionally chaud de 2 degrés », explique Glawion. Ces informations sont d’une great importance décisive pour développer des méthodes d’adaptation au climat.
