L'IA face aux grands problèmes du monde · Sciences de la Terre et du climat · arXiv · 2026-10-21
Dissocier les composantes forcée et interne de l'évolution climatique observée à l'aide de l'apprentissage profond spatiotemporel
Titre original: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Attribuer l'évolution historique du climat observé à un changement forcé de l'extérieur plutôt qu'à la variabilité interne est fondamental pour comprendre le changement climatique et évaluer les modèles climatiques, pourtant les deux sont imbriqués dans les observations. Les auteurs développent un LSTM convolutionnel (ConvLSTM), entraîné et évalué sur des simulations en grands ensembles issues de plusieurs modèles climatiques, qui surpasse de manière systématique les approches existantes fondées sur les modèles, statistiques et d'apprentissage automatique. Appliqué aux observations, il révèle un motif spatial évolutif de la réponse forcée et des contributions substantielles de la variabilité interne aux tendances multidécapennes récentes—amplifiant le renversement forcé de l'asymétrie interhémisphérique des températures de l'Atlantique, dominant le réchauffement équatorial du Pacifique de type La Niña et le déclin des précipitations sur le sud-ouest de l'Amérique du Nord depuis 1980, et modulant l'amplification arctique autour de sa valeur forcée presque constante d'un facteur trois—tandis que la comparaison avec les réponses forcées simulées par les modèles montre des motifs globalement cohérents ainsi que des divergences, comme un réchauffement simulé plus marqué de l'hémisphère Nord, une intensification plus faible de l'anticyclone subtropical et des baisses de précipitations continentales plus modestes.