Vers une utilisation de l'Intelligence Artificielle dans un modèle numérique de climat

In a numerical climate model, fine-scale processes are represented by parameterizations. A new method to develop parameterizations consists in using Artificial Intelligence (AI) techniques, by learning the representation of these processes from data coming from high resolution simulations. But a number of problems remain to be solved before the learned parameterizations can be used in a climate model. The objective of this thesis is to study some problems preventing the use of AI parameterizations in a climate model: numerical stability and online performance. These problems are studied through two studies on toy models. The results obtained are then placed in perspective, through the learning of a parameterization implemented in a climate model.First of all, the use of NN-learned physics can make the climate model in which it is plugged unstable. The first part of this thesis is dedicated to the study of this instability in a toy model specifically developed to investigate this problem. A second problem is the performance of the learned parameterization, once they are plugged into a climate model, especially in terms of model climatology (e.g., long-term bias). We have developed a method to adjust the long-term statistics of a learned parameterization. The method was illustrated using toy models. Finally, we focused on the learning of a deep convection scheme using NN. The learned scheme was successfully implemented in the global climate model developed at CNRM, ARPEGE-Climat, as a replacement of the physical scheme. We have performed several years of simulation without noticing any drift of the model. The main characteristics of the mean climate are well represented. The learned parameterization is interpreted using sensitivity analysis tools. This study lays some groundwork for the development of learned parameterizations from high-resolution data, the use of which could improve the accuracy of numerical climate models.Dans un modèle de climat, les paramétrisations physiques ont pour rôle de représenter l’effet moyen des processus sous-maille (e.g., convection profonde, turbulence) à la résolution du modèle. Elles sont numériquement efficaces, mais aussi la principale source d’incertitude dans les modèles de climat. Depuis quelques années, l’utilisation des techniques d’Intelligence Artificielle (IA), en particulier celle des réseaux de neurones (Neural Networks, NN), a permis de développer des paramétrisations d’un genre nouveau. Contrairement aux paramétrisations physiques traditionnelles, développées en utilisant des connaissances théoriques et des observations, les paramétrisations apprises sont ajustées à un jeu de données issu d’une simulation haute-résolution directement, dans le but d’apprendre une représentation plus précise des différents processus sous-maille. Les premiers résultats sont prometteurs, mais il reste des problèmes majeurs à résoudre avant leur utilisation dans un modèle de climat, en remplacement des paramétrisations traditionnelles. Le but de cette thèse est l’étude de quelques-uns de ces problèmes à l’aide de modèles jouets et à travers l’apprentissage d’une partie de la paramétrisation physique implémentée dans un modèle de climat.Tout d’abord, l’utilisation d’une physique apprise par des NN peut rendre instable le modèle de climat dans lequel elle est branchée. La première partie de cette thèse est dédiée à l’étude de cette instabilité avec l’aide d’un modèle jouet, spécifiquement développé pour étudier ce problème. Un deuxième problème concerne la performance des physiques apprises, une fois celles-ci branchées dans un modèle de climat, notamment en terme de climatologie du modèle (e.g., biais de long-terme). Nous avons développé une méthode permettant d’ajuster les statistiques de long-terme d’une physique apprise. La méthode a été illustrée à l’aide de modèles jouets. Enfin, nous nous sommes intéressés à l’apprentissage d’un schéma de convection profonde à l’aide de NN. Le schéma appris a été implémenté avec succès dans le modèle de climat global développé au CNRM, ARPEGE-Climat, en remplacement du schéma physique. Nous avons réalisé plusieurs années de simulation sans constater de divergence du modèle. Les principales caractéristiques du climat moyen sont bien représentées. La physique apprise est interprétée en utilisant des outils d’analyse de sensibilité. Cette étude pose quelques bases en vue du développement de paramétrisations apprises à partir de données haute-résolution, dont l’utilisation pourrait améliorer la précision des modèles numériques du climat