Description du sujet de thèse

Principaux objectifs de la thèse :
(1) Développer un émulateur statistique (basé sur des réseaux de neurones) multivarié de modèles de climat régionaux qui respecte la cohérence physique entre les variables et reproduit les événements extrêmes composés.
(2) Étudier l’évolution de tels évènements et caractériser l’incertitude associée en Europe à l’aide des ensembles de simulations créées avec l’émulateur.

Motivations de l’étude :
Les événements météorologiques extrêmes ont de forts impacts sociaux, économiques et humains. Il est donc nécessaire d’étudier leur évolution dans un contexte de changement climatique afin d’informer les acteurs publics et de préparer au mieux nos lieux de vies face aux risques futurs.
Les émulateurs de modèles de climat régionaux sont une nouvelle approche de descente d’échelle des simulations globales basse résolution. En effet, pour des raisons de coûts de calculs, il est difficile aujourd’hui de produire des simulations climatiques (sur au moins plusieurs dizaines d’années) globales (i.e. couvrant tout le globe) et à haute résolution. Les GCM (Global Climate Models) ont généralement une résolution de l’ordre de la centaine de km, ce qui ne permet pas d’étudier les impacts locaux du changement climatique et en particulier les extrêmes.
Pour répondre à ce challenge, deux familles de méthodes de descente d’échelle sont apparues. La descente d’échelle dynamique repose sur un modèle de climat haute résolution (entre 1 et 50km) à aire limitée (modèle de climat régional, RCM) imbriqué dans une simulation globale. Il permet de réaliser des simulations haute résolution sur un domaine spécifique (échelle continentale ou sub-continentale). Cependant, le coût de ces simulations reste une limitation et les RCMs ne permettent pas de produire des ensembles suffisamment grands pour correctement prendre en compte l’incertitude liée aux scénarios d’émissions futures, à l’erreur des modèles ou encore à la variabilité interne du climat. La prise en compte de cette dernière source d’incertitude est d’autant plus importante que l’on s’intéresse au climat local (Evin et al. 2021).
La descente d’échelle statistique (ESD) cherche quant à elle à estimer la relation statistique entre une information météorologique basse résolution (provenant de réanalyses ou de simulations GCM) et une information haute résolution à l’aide de jeu d’observations in situ ou de réanalyses haute résolution. L’efficacité des approches statistiques (renforcée avec l’utilisation récente des réseaux de neurones) permet alors d’envisager le downscaling de grands ensembles de simulations. Cependant, les approches d’ESD se confrontent à deux problèmes majeurs : elles reposent sur (1) une estimation passée de la relation qui est susceptible d’évoluer avec l’évolution du climat global et (2) nécessitent une quantité suffisante d’observations de bonne qualité pour entraîner/calibrer le modèle.
Récemment, plusieurs études présentent le concept d’émulateur de modèle de climat régional, consistant à poser un cadre de descente d’échelle statistique au sein de simulations faites à l’aide d’un RCM. Cette approche permet ainsi de combiner les forces des deux familles de méthodes afin de couvrir leurs inconvénients, puisque les simulations utilisées pour l’apprentissage explorent de futurs climats, peuvent couvrir différentes régions du globe, et ont un coût de calcul limité. Cependant, les approches présentées dans les différentes études existantes ne couvrent qu’une seule variable et ne présentent pas de modélisation du lien entre les différentes échéances temporelles. Or les événements à fort impact sont souvent le résultat de l‘interaction de plusieurs événements climatiques, il s’agit par exemple d’une période forte chaleur associée à une sécheresse qui favorisera les feux comme observé pendant l’été 2022 en France ou en Espagne. Ainsi, il est nécessaire que les émulateurs de modèles régionaux représentent de manière la plus fidèle possible la relation entre les différentes variables à toutes les échelles temporelles.

Approche scientifique :
La thèse s’articulera à la frontière entre la climatologie et les statistiques appliquées puisqu’il faudra identifier et analyser les relations entre différentes variables d’intérêt afin de construire et correctement évaluer les approches statistiques mises en place.
Ce second aspect prendra une part importante de la thèse. Dans un premier temps, la thèse reprendra les émulateurs introduit dans Doury et al, 2023 et 2024 pour les températures et précipitations. La cohérence physique des variables désagrégées indépendamment avec cette approche sera évaluée. Ensuite, d’autres approches basées sur des réseaux de neurones différents pourront être étudiées. En effet, des architectures plus récentes (et plus complexes) ont montré de très bons résultats en prévision numériques du temps, où l’exercice présente des similitudes avec l’objectif de la thèse puisqu’il implique la cohérence entre plusieurs variables au cours du temps. Parmi les types de réseaux qu’il sera intéressant d’étudier on retrouve les Transformers qui reposent sur le principe des mécanismes d’attention spatiaux ou temporel, les Graphs neural networks qui reposent sur une organisation bien spécifique des nœuds du réseau ou alors des réseaux génératifs qui peuvent être vus comme une approche stochastique. L’idée n’est pas forcément de reprendre les réseaux tels quels mais de s’en inspirer afin de créer l’outil le mieux adapté. L’interprétabilité des réseaux de neurones est un enjeu majeur des études, il sera donc intéressant de mener des analyses de sensibilité des émulateurs. Nous pourrons chercher à collaborer avec des équipes spécialistes des méthodes d’IA (au CNRM, CERFACS ou d’autres laboratoires tels que l’IMT ou l’IRIT à Toulouse, ou le BSC à Barcelone).
L’objectif final de la thèse est de mettre en place un outil efficace permettant d’effectuer la descente d’échelle des ensembles de projections climatiques tout en assurant de conserver la cohérence physique entre les variables d’intérêts. L’émulateur permettra ainsi d’évaluer l’évolution d’évènements extrêmes en climat futur avec une meilleure prise en compte de l’incertitude associée.

Contexte de travail

Encadrement de la thèse : Julien Boé (CECI) & Antoine Doury (CNRM)

Le Centre National de Recherches Météorologiques (CNRM, http://www.umr cnrm.fr/) est un laboratoire scientifique de Météo France et du Centre National de la
Recherche Scientifique (CNRS) situé à Toulouse, l'une des villes les plus agréables et les plus dynamiques de France. Le CNRM est l'un des principaux instituts de recherche sur les sciences du climat en Europe. Le CNRM offre un environnement hautement international et interdisciplinaire pour mener des recherches scientifiques, ainsi que l'accès à de grandes installations scientifiques.
La candidate retenue ou le candidat retenu travaillera au sein de l'équipe de recherche sur la modélisation climatique régionale (https://www.umr cnrm.fr/spip.php?article1035) composée de 16 membres, doctorant.es, post-doctorant.es, chercheur.es, ainsi que d'ingénieur.es de recherche, sous la direction scientifique de Samuel Somot.