Apprentissage profond pour la réduction d'échelle des précipitations en changements climatiques

L’accélération des changements climatiques entraîne une intensification des événements météorologiques extrêmes, avec des impacts majeurs sur les populations, les infrastructures et les écosystèmes. Les projections climatiques à haute résolution sont indispensables pour anticiper ces évolutions, mais les modèles climatiques globaux offrent une résolution spatiale insuffisante pour représenter les phénomènes de fine échelle, impliquant une sous-représentation des extrêmes, souvent très localisés. Les modèles régionaux, bien qu’offrant une meilleure résolution, restent coûteux et limitent la production d’ensembles de simulations à haute résolution. L’apprentissage profond constitue une alternative prometteuse pour la réduction d’échelle des variables climatiques. Ce mémoire explore l’utilisation d’un réseau convolutif profond de type UNet pour effectuer de la réduction d’échelle de champs de précipitations journalières. Deux défis majeurs sont ciblés : (1) la sous-estimation des précipitations intenses et (2) la dégradation des performances en climat non stationnaire, par exemple dans un contexte de changements climatiques. Ces limites freinent l’application concrète de l’apprentissage profond pour cette tâche. Nous formulons l’hypothèse qu’elles seraient en partie dues au nonapprentissage de la dépendance des précipitations intenses à l’évolution des températures. Deux contributions principales sont proposées. Premièrement, une contrainte douce inspirée de la relation de Clausius-Clapeyron est ajoutée à la fonction de perte pour inciter le modèle à produire des champs de précipitations dont l’évolution avec la température reste cohérente avec les données de référence. Deuxièmement, deux approches complémentaires intègrent au modèle des a priori issus de la théorie des valeurs extrêmes. La non-stationnarité liée à l’évolution des températures est ainsi encodée par les paramètres d’extensions de la loi de Pareto généralisée, améliorant la représentation des événements extrêmes. Les méthodes sont évaluées sur des données issues d’un vaste ensemble de simulations climatiques régionales couvrant la période 1955−2099 et incluant notamment le sud du Québec. Les résultats mettent d’abord en évidence une dépendance avérée des extrêmes de précipitations à l’évolution des températures moyennes, tout en soulignant que les modèles d’apprentissage profond peinent à reproduire fidèlement cette relation. Ils montrent ensuite le potentiel des approches développées pour améliorer la prédiction des précipitations extrêmes et ouvrent des perspectives prometteuses pour de futurs travaux.

Abstract

The acceleration of climate change is driving an intensification of extreme weather events, with major impacts on populations, infrastructure, and ecosystems. High-resolution climate projections are essential to anticipate these changes, but global climate models provide insufficient spatial resolution to capture fine-scale phenomena, leading to an underrepresentation of extremes, which are often highly localized. Regional climate models, while offering better resolution, remain costly and limit the production of large ensembles of high-resolution simulations. Deep learning offers a promising alternative for the downscaling of climate variables. This thesis explores the use of a deep convolutional network (UNet) to perform downscaling of daily precipitation fields. Two main challenges are targeted: (1) the underestimation of high-intensity precipitation and (2) the degradation of performance under a non-stationary climate, as under climate change. These limitations hinder the practical application of such approaches. We hypothesize that they are partly due to the model’s failure to learn the dependence of extreme precipitation on temperature changes. Two main contributions are proposed. First, a soft constraint inspired by the Clausius- Clapeyron relations is added to the loss function to encourage the model to produce precipitation fields whose evolution with temperature remains consistent with the reference data. Second, two complementary approaches integrate priors from extreme value theory into the model. The non-stationarity linked to temperature evolution is thus encoded through the parametrization of extensions of the generalized Pareto distribution, improving the representation of extreme events under future climate. Proposed approaches are evaluated on data originating from a large ensemble of regional climate simulations covering years 1955 to 2099. The results first highlight a clear dependence of precipitation extremes on mean temperature changes, while underscoring that deep learning models struggle to faithfully reproduce this relationship. They then demonstrate the potential of the proposed approaches to improve the prediction of extreme precipitation and open promising avenues for future research.