Ce travail se situe à l'intersection de l'apprentissage automatique et de la science du climat, à côté des recherches sur l'incertitude dans les calculs quantiques, la chimie par réseaux de neurones et la prévision d'El Niño. Des travaux antérieurs ont montré que les réseaux de neurones probabilistes peuvent estimer l'incertitude aléatoire et que les ensembles améliorent l'étalonnage, mais une analyse détaillée des mécanismes en situation de changement climatique manquait. Cet article comble cette lacune : il compare pour la première fois systématiquement le comportement de l'incertitude aléatoire et épistémique pour l'ENSO sous réchauffement anthropique.
Les données utilisées proviennent de 100 membres de l'ensemble du modèle climatique CESM2-LE, de 1850 à 2100. Pour chaque mois, on a calculé les anomalies de température de surface de l'océan, de contenu thermique des 300 premiers mètres et de tension du vent zonal. Un réseau ResNet-18 avec des couches supplémentaires reçoit les trois derniers mois d'anomalies et prédit la catégorie d'ENSO 24 mois à l'avance. Trois ensembles de 100 composantes ont été entraînés : sur la période préindustrielle (1850–1949), la période moderne (1850–2024) et un scénario (1850–2098). L'incertitude aléatoire a été estimée comme l'entropie moyenne des prédictions des composantes, et l'incertitude épistémique comme la variance des probabilités entre les composantes.
Lorsque la distribution des données d'entrée change en raison du changement climatique, la qualité des prévisions diminue, mais l'incertitude épistémique (le désaccord de l'ensemble) augmente régulièrement à partir d'environ 2040, et cette augmentation est corrélée à la détérioration de l'erreur. L'incertitude aléatoire, en revanche, pour les horizons longs (plus de 10 mois), diminue même, alors que la prévision devient moins bonne : le modèle devient trop confiant dans des conditions inconnues. L'amélioration de l'ensemble par rapport à la composante moyenne augmente avec l'incertitude épistémique, ce qui signifie que l'ensemble est particulièrement précieux en cas de dérive. Pour les horizons courts (jusqu'à 6 mois), l'incertitude aléatoire augmente légèrement, mais son signal est plus faible et moins fiable.
Ce travail montre que dans les tâches à forte stochasticité intrinsèque, comme la prévision de l'ENSO, se fier uniquement à l'incertitude aléatoire est dangereux : en cas de dérive de la distribution, elle peut induire en erreur. L'incertitude épistémique, mesurée par le désaccord de l'ensemble, constitue un indicateur fiable que le modèle sort des limites de ses données d'entraînement. Cela change la pratique : pour les prévisions climatiques sous changement climatique, il faut suivre les deux types d'incertitude, et pas seulement la confiance d'un réseau individuel. Par rapport aux travaux voisins qui se concentraient sur l'étalonnage ou l'incertitude aléatoire, ici on montre pour la première fois que c'est la composante épistémique qui est le signal clé de la dégradation.
Le sujet pourrait évoluer vers des méthodes moins coûteuses d'estimation de l'incertitude épistémique sans ensemble complet, par exemple par distillation d'ensemble en un seul réseau ou apprentissage profond évidentiel. Il serait également intéressant d'étudier comment ces résultats se transfèrent à d'autres variables climatiques et régions, ainsi qu'à des données d'observation réelles plutôt que des données modélisées. Des ensembles adaptatifs pourraient voir le jour, qui augmentent automatiquement le nombre de composantes lorsqu'une dérive de distribution est détectée.
Les résultats influencent directement la prévision saisonnière opérationnelle de l'ENSO dans un climat en évolution, en aidant à évaluer la fiabilité des prévisions. Ils s'appliquent également à d'autres tâches de prévision climatique où la prise en compte de l'incertitude est importante, comme la prévision des précipitations ou des événements extrêmes.
La prochaine étape consiste à vérifier si l'avantage de l'incertitude épistémique se maintient avec des données d'observation réelles et des architectures plus légères. Il est également important d'étudier si l'on peut automatiquement étalonner l'ensemble lorsqu'une dérive est détectée, afin de maintenir la fiabilité des prévisions en temps réel.
Dans la prévision climatique, le problème de l'estimation de l'incertitude en régime non stationnaire reste non résolu : les méthodes traditionnelles supposent la stabilité des relations statistiques, ce qui est violé par le réchauffement anthropique. Ce travail relie directement l'augmentation de l'incertitude épistémique au déplacement climatique et montre que l'incertitude aléatoire ne peut pas servir de substitut. Cela soulève la question de la nécessité de nouvelles métriques et méthodes robustes aux changements de distribution des données d'entrée.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs entraînent des ensembles de 100 réseaux de neurones probabilistes sur les données CESM2-LE pour prévoir l'ENSO et décomposent l'incertitude en composantes aléatoire et épistémique. Ils montrent que lors d'un changement climatique, l'incertitude épistémique augmente et corrèle avec l'erreur, tandis que l'incertitude aléatoire se comporte de manière paradoxale, diminuant pour les horizons lointains.
Où est sa force
La comparaison systématique du comportement des deux types d'incertitude dans des conditions de dérive de distribution pour un système climatique stochastique constitue un outil concret pour surveiller la fiabilité des prévisions.
Vers où avancer
À essayer
Pourquoi cela peut compter
La valeur pratique pourrait résider dans la création de systèmes d'alerte précoce sur le manque de fiabilité des prévisions en cas de changement climatique, ce qui est crucial pour la planification dans l'agriculture, l'énergie et la gestion des risques.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.54, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
L'ensemble de 100 réseaux de neurones utilisé dans ce travail est dix fois plus grand que les ensembles typiques pour la prévision de l'ENSO, et c'est cette taille qui a permis de séparer de manière fiable les deux types d'incertitude. Il est intéressant de noter que pour les prévisions courtes (jusqu'à 6 mois), l'incertitude aléatoire augmente légèrement en cas de dérive, mais ce signal est plus faible que celui de l'incertitude épistémique.