Comment l’étude des nuages peut améliorer les modèles climatiques
Chercheur associé Kara Agneau a grandi en lisant celle de son père Scientifique Américain les magazines. Elle a absorbé tout ce qu’elle pouvait sur la physique quantique et, pendant un certain temps, a pensé qu’elle l’étudierait pour le reste de sa carrière. Mais en 2008, après que Lamb ait terminé sa maîtrise sur le sujet, l’urgence de la crise climatique se profilait de plus en plus. Le Groupe d’experts intergouvernemental sur l’évolution du climat vient de publier son quatrième rapport d’évaluation, et les questions qu’elle soulevait sur les systèmes de la Terre étaient aussi complexes que motivantes, suffisamment pour que Lamb choisisse de réorienter son doctorat et ses travaux ultérieurs vers les sciences de l’atmosphère. Maintenant à Columbia Engineering, Lamb étudie comment les méthodes d’apprentissage automatique peuvent être utilisées pour mieux comprendre la microphysique des cirrus.
Cirrus sur Federal Way, WA. Photo: Ron Clausen via Creative Commons
Les cirrus se forment plus haut dans l’atmosphère que presque tous les autres types de nuages, à des dizaines de milliers de pieds au-dessus du sol. Ils prennent forme lorsque la vapeur d’eau est poussée vers la stratosphère par la montée d’air chaud et sec, puis gèle en raison des basses températures. Les résultats sont des nuages minces et plumeux composés de milliers à des millions de cristaux de glace. Ces cristaux de glace – et leurs nombreuses structures, formes et tailles différentes – influencent la façon dont les cirrus réfléchissent à la fois la lumière solaire entrante et piègent la chaleur sortante de la Terre, également connue sous le nom d’effet radiatif des nuages.
Lamb est l’une des premières personnes à utiliser l’apprentissage automatique pour étudier la forme des cristaux de glace dans les cirrus. Ce faisant, elle espère éclairer la façon dont les scientifiques tiennent compte des nuages dans les modèles climatiques.
“Même si cela semble être un petit morceau, lorsque vous regardez la sensibilité des modèles climatiques à la rétroaction des nuages, il y a une propagation assez importante dans l’ensemble des modèles climatiques”, a déclaré Lamb.
Apprentissage automatique pourrait aider à éliminer cette incertitude en traitant et en généralisant de nouvelles connaissances à partir de vastes étendues de données sur les cristaux de glace à une vitesse sans précédent. Traditionnellement, les scientifiques de l’atmosphère doivent proposer un ensemble d’équations mathématiques, basées sur des principes physiques, pour décrire le fonctionnement d’un système – dans ce cas, un nuage. Ce processus peut être lent, car les scientifiques doivent comparer de manière itérative les modèles aux observations, puis ajuster les paramètres du modèle pour améliorer les performances. En revanche, l’apprentissage automatique peut être utilisé pour apprendre directement à partir des données ; ces algorithmes construisent des modèles en « s’entraînant » sur des observations.
La reconnaissance de formes est l’une des nombreuses façons dont l’apprentissage automatique peut s’intégrer à la recherche en microphysique des nuages. Alors que les recherches précédentes appliquant l’apprentissage automatique aux observations de cristaux de glace se concentraient sur la classification des images en fonction de la forme des cristaux de glace, Lamb prévoit d’aller plus loin et d’apprendre quelque chose sur le processus de croissance de la glace directement à partir des images, en utilisant des technologies de pointe. méthodes développées par la communauté scientifique de l’apprentissage automatique. Maintenant trois mois après le début du projet de trois ans, Lamb est en train de tester des algorithmes. Une fois le modèle formé, Lamb estime qu’elle lui fournira quelque 12 millions d’images différentes pour ce seul projet.
Images de microscopie électronique de cristaux de glace individuels qui ont été capturés par un ballon météo à Billings, OK, et stockés dans de l’azote liquide pour être renvoyés au laboratoire. Crédit image : Nathan Magee (The College of New Jersey) et Jerry Harrington (Penn State University).
“Chaque source de données nous donne une petite partie différente de l’image”, a déclaré Lamb. “C’est là que nous voulons utiliser des méthodes d’apprentissage automatique ainsi que des statistiques pour essayer de comprendre comment assembler toutes ces informations.”
La plupart des données utilisées par Lamb proviennent d’une collaboration avec d’autres universités. Par exemple, Kara Sully à l’Université d’Albany a compilé les observations de cristaux de glace de diverses campagnes de mesure d’avions dans une base de données massive. À l’Université d’État de Pennsylvanie, Jerry Harington a capturé des images haute résolution de cristaux de glace en utilisant un instrument à ballonnet pour prélever puis congeler des échantillons dans de l’azote liquide. D’autres ensembles de données proviennent d’expériences à grande échelle de “chambre à brouillard” où la formation de nuages est simulée dans un laboratoire, permettant aux scientifiques d’étudier systématiquement la formation de cirrus tout en testant différentes conditions d’aérosols, températures et pressions. Lamb utilise les données d’une chambre à brouillard issues de ses recherches précédentes à l’Université de Chicago, réalisées en collaboration avec des chercheurs de l’Institut de technologie de Karlsruhe en Allemagne.
Kara Lamb, chercheur associé au Département de génie de la Terre et de l’environnement de l’Université de Columbia, et un collègue surveillant des instruments lors d’expériences de simulation de cirrus dans la chambre à brouillard d’interaction et de dynamique des aérosols dans l’atmosphère de l’Institut de technologie de Karlsruhe. Photo: Kara Lamb
Et pourtant, malgré ce que montrent toutes ces données, la plupart des modèles climatiques – y compris ceux utilisés pour les rapports du Groupe d’experts intergouvernemental sur l’évolution du climat – établissent une hypothèse de base selon laquelle les cristaux de glace sont des sphères. C’est en partie parce que les modèles sont à si grande échelle qu’ils doivent s’appuyer sur des moyens simplifiés et «efficaces en termes de calcul» pour représenter des processus complexes, a expliqué Lamb.
“Le modèle doit être quelque chose que vous pouvez exécuter dans un laps de temps suffisamment rapide pour obtenir une réponse”, a-t-elle déclaré.
L’application de l’apprentissage automatique pourrait aider à minimiser une partie de cette tension entre précision et efficacité. Alors que Lamb progresse dans l’utilisation de l’apprentissage automatique pour analyser les données des cristaux de glace, elle collabore simultanément avec Marcus van Lier-Walqui à la Columbia Climate School Centre de recherche sur les systèmes climatiques et des collègues du Centre national de recherche atmosphérique sur un autre projet axé sur la manière d’appliquer ce type de nouvelles connaissances au modèle du système terrestre communautaire. Le projet est en partenariat avec le Centre d’apprentissage de la Terre avec l’intelligence artificielle et la physique (LEAP) et est le complément parfait à l’enquête plus approfondie de Lamb sur les cirrus.
“Si nous voulons comprendre l’importance des effets radiatifs de ces nuages, nous devons représenter plus précisément les formes de leurs cristaux de glace dans la modélisation climatique”, a déclaré Lamb. “C’est l’une des plus grandes incertitudes à résoudre.”
Heureusement, les travaux de Lamb et de ses collègues offrent un début prometteur.
