Application de l'apprentissage automatique pour la prédiction de la sécheresse dans un cadre de modèle parfait en utilisant des données d'un grand ensemble de simulations climatiques

Résumé. Il existe un fort intérêt scientifique et social pour comprendre les facteurs menant à des événements extrêmes afin d'améliorer la gestion des risques associés à des dangers comme les sécheresses. Dans cette étude, des réseaux de neurones artificiels sont utilisés pour prédire l'occurrence d'une sécheresse dans deux domaines européens contrastés, Munich et Lisbonne, avec un délai d'1 mois. L'approche prend en compte une liste de 28 variables atmosphériques et de sol comme paramètres d'entrée d'un grand ensemble de conditions initiales d'un modèle unique (CRCM5-LE). Les données ont été produites dans le cadre du projet ClimEx par Ouranos, avec le Modèle Climatique Régional Canadien (CRCM5) animé par 50 membres du Modèle Canadien du Système Terre (CanESM2). L'occurrence de la sécheresse est définie en utilisant l'indice normalisé de précipitation. Les algorithmes d'apprentissage automatique les plus performants réussissent à obtenir une classification correcte de sécheresse ou pas de sécheresse pour un délai d'1 mois pour environ 55 %–57 % des événements de chaque classe pour les deux domaines. Des méthodes d'IA explicables comme les explications additives de SHapley (SHAP) sont appliquées pour mieux comprendre les algorithmes entraînés. Des variables comme l'indice d'oscillation de l'Atlantique Nord et la pression atmosphérique 1 mois avant l'événement se révèlent essentielles pour la prédiction. L'étude montre que la saisonnalité influence fortement la performance de la prédiction de sécheresse, surtout pour le domaine de Lisbonne.