Le réchauffement climatique est responsable de l’exacerbation des phénomènes météorologiques et climatiques extrêmes. Par ailleurs, l’interaction entre les différentes formes de risques du réchauffement climatique entrainera de futurs impacts entre divers secteurs susceptibles d’affecter plusieurs systèmes humains et naturels.
Cependant, la recherche peut améliorer la compréhension de ces interactions dynamiques, estiment des scientifiques du Centre euro-méditerranéen sur le changement climatique (CMCC Foundation), centre de recherche italien sur le climat. Les avancées technologiques peuvent accompagner les décideurs dans la gestion des risques actuels et futurs liés au réchauffement climatique et ce, grâce à une meilleure capacité de prévention et de quantification de ces mêmes risques.
Apprentissage automatique et surveillance du réchauffement climatique
Dans ce sens, la communauté scientifique a commencé à tester de nouvelles approches méthodologiques et technologiques ainsi que l’apprentissage automatique pour la surveillance du climat. Ces approches et outils peuvent aider à exploiter le potentiel des volumes importants et de la variété des données de surveillance environnementale disponibles actuellement.
Dans l’étude « Exploring machine learning potential for climate change risk evaluation », une équipe de scientifiques de la Fondation CMCC et de l’Université Ca’ Foscari de Venise a effectué un examen approfondi de plus de 1.200 articles sur le sujet, publiés au cours des deux dernières décennies.
« L’apprentissage automatique est une branche de l’intelligence artificielle », explique Federica Zennaro, chercheuse à la Fondation CMCC et à l’Université Ca’ Foscari de Venise et auteure principale de l’étude.
« En simulant les processus du cerveau humain, certains algorithmes mathématiques sont capables de comprendre les relations entre un ensemble de données d’entrée afin de prédire la sortie requise. Lors de nos recherches, nous avons pu déterminer que les inondations et les glissements de terrain sont les événements les plus analysés par le biais de modèles d’apprentissage automatique, probablement parce qu’ils sont les plus pertinents et les plus fréquents dans le monde.»
Deux avantages potentiels majeurs
L’étude révèle en outre que l’apprentissage automatique possède deux avantages potentiels majeurs le rendant particulièrement intéressant lors d’une application dans l’étude du réchauffement climatique.
Le premier avantage potentiel est que les algorithmes peuvent apprendre des données. Plus il y a de données, mieux les algorithmes apprennent. Grâce à sa capacité à analyser et à traiter de grandes quantités de données, l’apprentissage automatique permet aux chercheurs de démêler des relations complexes sous-jacentes au fonctionnement des systèmes socio-écologiques, en exploitant les mégadonnées collectées à partir de diverses sources. Ces mégadonnées peuvent provenir de sources telles que les capteurs pour l’analyse environnementale à haute fréquence temporelle, les réseaux sociaux, les satellites et les drones.
Le second atout est que les algorithmes peuvent combiner différents types de données. Cela permet ainsi d’évaluer l’étendue du risque tout en prenant en compte toutes ses dimensions. Celles-ci incluent non seulement l’aléa déclencheur (par exemple, une augmentation des précipitations), mais également la vulnérabilité et l’exposition du système socio-économique en jeu, facteurs cruciaux dans une évaluation des impacts globaux.
Exemple d’applications de l’IA dans la gestion du réchauffement climatique
« Par exemple, considérons un modèle qui est formé avec des données détaillées sur les événements d’inondation au cours des 20 dernières années, y compris leur emplacement et des informations sur le contexte affecté (urbain ou naturel). Ce modèle peut déterminer, dans un scénario caractérisé par les conditions climatiques futures, quelle sera la probabilité qu’un événement se produise à un moment donné, et calculer son risque d’avoir des impacts nocifs sur la société et l’environnement », explique Zennaro.
« L’apprentissage automatique représente l’avenir de l’évaluation des risques, mais son grand potentiel n’est pas encore largement exploité. Nos recherches montrent qu’il existe encore peu d’études qui utilisent ces modèles pour développer des scénarios de risques futurs à long terme. La grande majorité des études se concentrent sur le court terme. Cela se doit probablement à la disponibilité réduite de données de séries chronologiques étendues capables de prendre en charge une formation adéquate du modèle pour les projections à long terme. »
La prochaine étape, explique la co-auteur Elisa Furlan, chercheuse à la Fondation CMCC et à l’Université Ca’Foscari de Venise, consiste à développer des modèles d’apprentissage automatique de plus en plus efficaces pour étudier et démêler les interrelations spatio-temporelles complexes entre les différentes conditions climatiques, environnementales et socio-économiques. Cela améliorerait ainsi la compréhension du comportement des systèmes complexes.
« Dans la perspective d’une abondance croissante de données et de la complexité des modèles d’apprentissage automatique, les chercheurs auront la possibilité (et le devoir) d’améliorer la compréhension des risques liés au climat. L’objectif principal de fournir des scénarios multi-risques précis et solides capables de conduire une solide planification de l’adaptation et la réduction et la gestion des risques de catastrophe », conclut Furlan.