Studying extreme climate events using machine learning and rare event algorithms

Abstract

Étude d’événements climatiques extrêmes avec des approches d’apprentissage automatique et des algorithmes d’événements rares Les phénomènes météorologiques et climatiques extrêmes sont parmi les effets les plus néfastes de la crise climatique, causant des surmortalités importantes, comme lors des vagues de chaleur extrême. Le réchauffement climatique augmente également le risque, encore mal quantifié, de franchir des points de basculement entraînant des changements brusques du climat.Il est donc crucial d'améliorer notre compréhension et notre capacité de prévision de ces événements extrêmes. Cependant, en raison de leur rareté, les observations sont limitées et les simulations climatiques de pointe sont coûteuses. Pour pallier ce manque de données, des Algorithmes d'Événements Rares peuvent améliorer l'efficacité des simulations. Ces algorithmes nécessitent une estimation de la probabilité d'occurrence de l'événement en fonction de l'état du système, qui est exactement ce que la prédiction fournit. Cette thèse explore deux directions principales. La première utilise l’apprentissage automatique pour estimer, à partir de données issues de simulations climatiques, les probabilités de vagues de chaleur extrême en France. En examinant une hiérarchie de modèles ML de complexité croissante, elle étudie les compromis entre la quantité de données, la performance et l'interprétabilité des prédictions. La deuxième direction applique un algorithme d’événements rares à l'étude de l'effon…