Probabilistic Deep Learning for Climate Downscaling

Les études sur les impacts des changements climatiques nécessitent souvent des informations climatiques à haute résolution. Pourtant, les simulations climatiques régionales fondées sur la physique demeurent trop coûteuses en calcul pour produire les grands ensembles nécessaires à une analyse tenant compte de l’incertitude. La descente d’échelle statistique constitue une alternative plus efficace, mais bon nombre des approches existantes peinent encore à représenter la variabilité spatiale à fine échelle, les événements extrêmes rares, ainsi que l’incertitude inhérente à la correspondance entre des champs climatiques de faible résolution et des variables locales. Ce mémoire étudie la descente d’échelle climatique comme un problème de reconstruction probabiliste et examine comment des modèles d’apprentissage profond peuvent être entraînés pour générer des champs climatiques à haute résolution à la fois scientifiquement utiles et statistiquement crédibles. Le travail porte sur le U-Net probabiliste, une extension à variables latentes du U-Net capable de produire plusieurs sorties plausibles à partir d’une même entrée de résolution grossière. Le modèle est adapté à la descente d’échelle des précipitations quotidiennes, de la température minimale et de la température maximale sur le sud du Québec et les Maritimes canadiennes à partir des données ClimEx. Sa performance est étudiée sous différentes fonctions de coût, notamment le CRPS presque équitable (afCRPS) et plusieurs variantes d’une perte WMSE–MS-SSIM, puis évaluée à l’aide de diagnostics complémentaires qui mesurent la précision probabiliste, les extrêmes et la structure spatiale.