Changements climatiques : l’IA explicable pour améliorer les modèles de surface terrestre
Vers de meilleures projections des changements climatiques futurs : utilisation de l’IA explicable pour améliorer les modèles de surface terrestre
Projections des changements climatiques : l’IA explicable pour améliorer les modèles de surface terrestre
Mieux appréhender la réponse des écosystèmes terrestres à l’augmentation du CO₂ atmosphérique et aux changements climatiques est un enjeu central pour comprendre l’évolution du cycle du carbone et son impact sur le réchauffement climatique. Ce projet vise à améliorer les projections du changement climatique futur en utilisant l’IA explicable pour affiner les modèles de surface terrestre.
Photo du site de mesure et de sa tour à flux dans la forêt de Hesse, en Moselle. © Pierre Lemarinier.
Questions et outils mathématiques
Un modèle de surface terrestre (LSM) est un modèle permettant de simuler les échanges d’énergie, d’eau, de carbone et de quantité de mouvement à la surface de la Terre. Il couple plusieurs systèmes d’équations explicites qui permettent de comprendre les relations de causalité entre des variables physiques. Il peut être représenté par un graphe dirigé sur lequel il est possible d’agir pour modifier ses relations et ainsi découvrir potentiellement de nouvelles équations. Dans ce projet, deux approches principales sont envisagées. La première modifie les équations en explorant directement l’espace de leur représentation symbolique. La seconde utilise des réseaux de neurones pour apprendre des formes intermédiaires pouvant être ramenées à des équations physiques simples.
Premiers résultats et perspectives
L’étude s’est concentrée sur l’amélioration du module de phénologie des LSM, qui permet d’étudier les phénomènes périodiques se produisant au sein de populations biologiques, comme la floraison ou la fructification, en lien avec les variations saisonnières du climat. La constitution d’un jeu de données fiable de concentration en carbone des feuilles a été complexe, car ces données reposent sur des estimations indirectes. Les données de radiation et de flux de carbone obtenues grâce à la tour à flux du site atelier de Hesse en Moselle ont été utilisées pour construire ce jeu. Les différentes méthodes d’apprentissage mentionnées sont encore en phase de test.
Ce projet associe une spécialiste en statistiques de l’Université de Lorraine (Marianne Clausel), des chercheurs en écophysiologie d’INRAE (Matthias Cuntz et Emilie Joetzjer), ainsi qu’un post-doctorant (Gabriel Destouet) financé par l’iMPT.
