Statistical learning for climate models
Apprentissage statistique pour les modèles climatiques
Résumé
Climate models face challenges in accurately representing atmospheric circulation patterns related to extreme weather events, especially regarding regional variability.This thesis explores how Latent Dirichlet Allocation (LDA), a statistical learning method originating from natural language processing, can be adapted to evaluate the ability of climate models to represent data such as Sea-Level Pressure (SLP).LDA identifies a set of local synoptic-scale structures, physically interpretable as cyclones and anticyclones, referred to as motifs.A common basis of motifs can be used to describe reanalysis and model data so that any SLP map can be represented as a sparse combination of these motifs.The motif weights provide local information on the synoptic configuration of circulation.By analyzing the weights, we can characterize circulation patterns in both reanalysis data and models, allowing us to identify local biases, both in general data and during extreme events.A global dynamic error can be defined for each model run based on the differences between the average weights of the run and reanalysis data.This methodology was applied to four CMIP6 models.While large-scale circulation is well predicted by all models on average, higher errors are found for heatwaves and cold spells.In general, a major source of error is found to be associated with Mediterranean motifs, for all models.Additional evaluation criteria were considered: one was based on the frequency of motifs in the sparse map representation.Another one involved combining the global dynamic error with the temperature error, thus making it possible to discriminate between models.These results show the potential of LDA for model evaluation and preselection.
Les modèles climatiques peinent à représenter précisément les structures de circulation atmosphérique liées aux événements extrêmes, et notamment leurs variations régionales.Cette thèse explore comment l'Allocation Latente de Dirichlet (LDA), une méthode d'apprentissage statistique issue du traitement du langage naturel, peut être utilisée pour évaluer la représentation par modèles climatiques de données telles que la pression au niveau de la mer (SLP).La LDA identifie un jeu de structures locales (ou motifs) à l'échelle synoptique, interprétables physiquement comme des cyclones et des anticyclones.La même base de motifs peut servir à décrire les données issues des modèles et des réanalyses, permettant de représenter toute carte SLP par une combinaison parcimonieuse de ces motifs.Les coefficients, ou poids, de ces combinaisons fournissent une information locale sur la configuration synoptique de la circulation.Les analyser permet de caractériser la structure de la circulation dans les réanalyses et les modèles, et ainsi d'identifier localement des biais globaux ou spécifiques aux événements extrêmes.Une erreur dynamique globale peut être définie à partir des différences de poids des données modèles avec les réanalyses.Cette méthodologie a été appliquée à quatre modèles de CMIP6.Bien que les modèles représentent correctement en général la circulation à grande échelle, leurs erreurs sont plus élevées pour les vagues de froid et de chaleur.Une source d'erreur dans tous les modèles est liée aux motifs méditerranéens.Des critères d'évaluation supplémentaires ont été proposés.L'un s'appuie sur la fréquence d'apparition des motifs dans la représentation des cartes de pression.L'autre consiste à combiner l'erreur dynamique globale avec l'erreur de température, ce qui permet de différentier entre les modèles.Ces résultats démontrent le potentiel de la LDA pour l'évaluation et la préselection des modèles.
Origine | Version validée par le jury (STAR) |
---|