Le climat déréglé reste-t-il prévisible ?

7h37, les matins d'après, vous le savez, explore l'avenir. Et chaque semaine, on essaye de tirer les fils du futur sans basculer dans la science-fiction. On essaye de faire un peu de prospective. Aujourd'hui, c'est l'anticipation climatique qui va nous occuper. Comment prévoir un climat en train de se dérégler, où les épisodes extrêmes se multiplient ? C'est la question que nous allons poser à notre invité Pierre Gentil. Bonjour. Bonjour, merci beaucoup pour votre invitation. Merci d'être venu ce matin. Vous êtes professeur à Columbia, chercheur au laboratoire de météorologie dynamique de l'ENS et cofondateur de l'entreprise Céleste Science. Quelques mots de votre parcours d'abord.

Et puis, cette question, pour commencer, est-ce qu'il est encore possible de faire des sciences climatiques dans les Etats-Unis de Donald Trump

?

Je dirais que oui, il y a encore pas mal de gens qui travaillent là-dessus. Même si pas mal de budgets ont été réduits, en particulier, surtout ce qui est projection climatique,

c

'est-à

-dire

à plus de 10 ans à long terme.

Est

-ce que votre laboratoire de recherche à Columbia a été impacté ?

Alors non, parce qu'on a pas mal de chances. Nous, on était parmi les premiers, les pionniers à travailler sur l'intelligence artificielle pour les applications, pour justement la projection climatique. Et donc, on a été plutôt renouvelés. On a eu pas mal de financements.

C'est-à

-dire

que vous avez fait croire que vous ne parliez pas de projection climatique, mais d'intelligence artificielle ?

En fait, on travaillait à l'interface entre les deux. Donc, on essaie de mieux représenter la physique. Et donc, en fait, c

'est

des choses qui intéressent de manière plus globale.

Et est-ce qu'il reste encore de ces mobilisations scientifiques dont on avait beaucoup parlé en France ? Stand Up for Science, il y avait beaucoup de mobilisations. C'est encore le cas

?

Pas vraiment, non. Je dirais que ça s'est pas mal réduit. Alors, c'était très actif il y a un an. Et ça s'est vraiment amenuisé les derniers mois et la dernière année, on va dire.

Comment ça se fait

? Alors,

bonne question. Je pense qu'il y

a

souvent une fatigue qui s'installe au fur et à mesure avec le temps. Les gens se mobilisent beaucoup au début. Et puis, au fur et à mesure, je pense que les gens s'habituent aussi à des systèmes, à des choses qui se mettent en place, même si des gens perdent quand même leur emploi.

Est-ce que vous avez vu, vous concrètement, donc vous l'avez dit, votre laboratoire n'a pas été spécialement touché, mais il y a eu des restrictions budgétaires de manière générale. Est-ce que concrètement, vous avez observé cet affaiblissement des sciences climatiques ?

Oui. Alors, il y a pas mal de choses. Par exemple, il y

a

des aspects, surtout, on va en reparler sur ce qu'on appelle l'attribution du réchauffement climatique. Donc, quand on a des événements extrêmes, savoir si un événement extrême

peut

être attribué au réchauffement climatique ou non. Donc, c'est pas mal des statistiques liées à ça. Et donc là, c'est vraiment des sciences qui ont été vraiment pas mal fermées. Je dirais, il n

'y a

plus de financement là-dessus. Et ce qui nous intéresse peut-être le plus, c'est que le plus grand centre actuel de recherche climatique, NCAR, est peu potentiellement fermé. Donc, on a pas mal de collègues là-dessus qui sont affectés à ce centre. Et donc, c'est en discussion. Il y a une juridiction qui est en place. Donc, ça devient assez compliqué.

Est

-ce que c'est un peu du fait de ce contexte peu favorable, donc on l'a dit, aux sciences climatiques de manière générale, que vous avez quitté Columbia pour l'ENS cette année ? Je crois que vous êtes à Paris dans le cadre du programme Choose Friends for Science.

Oui, c'est ça. Alors, je suis à 50-50, en fait. Je suis entre les deux. Je garde un pied à Columbia. Alors, ils ont une antenne aussi à Paris, ici. Donc, en fait, pour l'instant, je vais être affecté ici à Columbia,

à

Paris et à Normale Sup. Alors, si on revient aussi en famille, c'est pour différentes raisons. Alors, il y a l'aspect, bien sûr, science climatique, mais c'est plus vaste que ça. Quelque chose qui m'intéresse beaucoup, c'est ce qu'on appelle le pacte social, le fait qu'il y ait vraiment une entraide intergénérationnelle, interraciale, intergenre. Et j'ai l'impression qu'aux États-Unis, ça devient de plus en plus compliqué d'avoir un sens de communauté, de vivre ensemble. Et c'est quelque chose qu'on trouvait important pour nos enfants.

C

'est agréable d'imaginer la France comme un refuge. Quand on

a une

dedans,

on

voit plutôt la colère. Venons-en à votre parcours, Pierre Gentil. Vous êtes ingénieur de formation. Vous avez fait Supaéro. Vous êtes donc ingénieur aéronautique. Comment avez-vous basculé du côté de la recherche et comment êtes-vous passé de l'aéronautique au climat

?

Alors, en fait, ça a commencé. J'étais en formation plutôt mat-appli. Et

puis,

en parallèle, je faisais un master qui devait déboucher sur une thèse en physique théorique, en quantique.

Et

en fait, je voulais quelque chose de plus concret. Mes parents étaient dans le médical et je voulais quelque chose qui soit plus appliqué à l'humain.

Et

donc, de fil en aiguille, j'ai fait un premier stage d'abord au CNES, qui est l'Institut d'espace français, sur l'utilisation du satellite pour le monitoring de l'évaporation des plantes. Et de fil en aiguille, je suis allé d'abord au Maroc pendant deux ans, où j'ai estimé l'évaporation des plantes pour des régions agricoles.

Et

après, je suis allé faire ma thèse au MIT, où j'ai continué là-dessus. Ce

qui fait de

vous un hydrologue aussi.

Oui, voilà. On pourrait dire que je suis entre hydrologue et climatologue. Et suite à ça, j'ai obtenu mon poste à Columbia. Et en fait, en étudiant l'eau, le cycle de l'eau, en fait, c'est très, très lié au climat. Et donc, de fil en aiguille, j'en suis venu vraiment à travailler beaucoup sur le climat et en particulier sur ce qu'on appelle la modélisation du climat. Donc, aussi, et de bien représenter les processus comme l'évaporation, la turbulence ou les nuages.

C'est ce à quoi vous vous attachez dans votre laboratoire de Columbia, cette modélisation des grands processus climatiques globaux.

Oui, voilà, c'est ça.

En fait, ce qui est très intéressant d'un point de vue physique dans le climat, c'est que des petites choses comme les nuages sont très importantes pour le climat.

On

peut imaginer ça. Les nuages, c'est comme un miroir. Ça reflète ou non le rayonnement solaire. Et donc, ça va être très, très important pour réguler la température dans quelques décennies ou quelques centaines d'années. Et donc, c'est des choses qui vont réguler le réchauffement climatique et donc auxquelles on s'intéresse beaucoup.

Quand

on dit qu'on s'intéresse aux nuages, ce qui est très poétique, mais d'un point de vue physique, quel est l'objectif ? C'est de modéliser la manière dont ils réfléchissent la lumière ?

Alors,

il faut imaginer que les modèles qu'on utilise pour la modélisation climatique, c'est très, très coûteux en termes de coût de calcul. Ça nous prend des jours ou des semaines ou des mois pour lancer des simulations climatiques.

Et

donc, ce qu'on fait, c'est qu'on lance des simulations à des résolutions très basses. Donc, il faut imaginer ça comme un jeu vidéo des années 80. C'est très pixelisé, l'échelle est de l'ordre de 100 kilomètres. Et donc, à 100 kilomètres, on ne voit pas vraiment les nuages. On les imagine et donc, il faut essayer de les estimer d'une manière un peu ad hoc, empirique. Et bien, c'est ces équations un peu empiriques qu'on essaie d'améliorer pour essayer de mieux représenter leur comportement. Comment est-ce qu

'ils

vont répondre typiquement au réchauffement climatique

? En

même temps que vous poursuivez ces recherches théoriques, vous êtes entrepreneur, Pierre Argentine, en France, à la tête de Céleste Science. Est-ce que vous pouvez nous dire quelques mots de cette entreprise ?

Oui, alors, on a confondé ça avec mon premier étudiant, Léo Le Mordant, qui est PDG. Donc, moi, je suis cofondateur. Je suis plus sur la partie science. Et donc, on s'attaque vraiment à tout ce qui est aspect risque climatique. Donc, on a beaucoup parlé, par exemple, cet été, de la sécheresse. Des choses qui nous intéressent beaucoup, c'est par exemple le retrait et gonflement des argiles. C'est des choses qui font... Il y a beaucoup de maisons qui cassent, où il y a des fractures, des cisaillements

en

France actuellement, avec des coûts astronomiques. On parle de plusieurs milliards pour cet été.

Et

donc, on essaie de voir comment on

va

essayer de mettre ça en place avec des assureurs, des réassureurs, pour essayer d'avoir des capacités pour assurer les gens là-dessus.

J

'ai lu que vous aviez... Enfin, il y avait neuf salariés dans cette entreprise. Principalement, disent les échos, des ingénieurs en intelligence artificielle issus de Polytechnique et des mines Paris. Alors, je profite de vous avoir dans ce studio. Est-ce qu'aujourd'hui, on voit les polytechniciens quitter la finance et aller vers l'intelligence artificielle

?

Oui, je dirais que ça,

ça

a évolué il y a depuis une dizaine d'années où, en fait, les très bons cursus ou les très bons profils se tournent vers l'intelligence artificielle. Il y a quelques années, j'avais justement un ancien ami qui cherchait une formation en master. Il voulait éviter la finance. Je lui ai dit, tiens, essaye tout ce qu'on appelle data science. Ça marche beaucoup aux Etats-Unis

et

depuis, maintenant, il est chez DeepMind. Et donc, c'est vraiment des formations maintenant qui attirent beaucoup, beaucoup de monde parce que c'est assez versatile. Ça peut toucher à beaucoup de choses. Donc, on peut utiliser pour le médical,

on

peut utiliser pour le climat ou différentes applications.

J

'ai fait ce détour personnel, Pierre Gentil. Bon, d'une part, pour peut-être faire éclore des vocations, mais aussi parce que ça nous introduit dans certaines distinctions fondamentales pour nos discussions. celles de la météo et du climat,

d

'une part, et celles de la prévision et de la projection, d'autre part. Est-ce que c'est seulement l'échelle temporelle qui distingue la météo, les prévisions météo des prévisions climatiques ?

Oui, on peut dire que c'est... Alors, il y a deux aspects. Il

y

a l'aspect temporel. Donc, la prédiction météo, typiquement, que vous obtenez par Météo France ou le centre de référence,

c

'est le centre européen qui est à Reading, en Angleterre. C'est des choses qui se font typiquement jusqu'à deux semaines où on a une certaine confiance dans la prédiction. Et c

'est

des choses qu'on appelle déterministes,

c

'est-à-dire qu

'on

est assez confiant de la prédiction jusqu'à une échelle de 5 à 7 jours. Après, ça se dégrade parce que c'est un système qu'on appelle chaotique,

c

'est-à-dire qu'au bout d'un moment, en fait, il diverge.

C'est

un peu l'effet papillon. Une petite erreur au début ou une petite anomalie au début va faire diverger les simulations. Et donc, si vous regardez, par exemple, votre app Météo, vous voyez 50% de puits, 60% de puits.

Ça

veut dire qu'il lance plein de simulations et 50% de ces simulations vont vous dire qu'il pleut ou non.

Donc

ça, c'est le modèle météo déterministe, fiable sur

court

terme jusqu'à

5 à 7 jours.

Les prévisions climatiques,

on

est sur une toute autre échelle temporelle

?

Oui. Alors après, on va pousser. Alors il y a un premier aspect qui est ce qu'on appelle le sous-saisonnier-saisonnier, qui aurait pu être très important, par exemple, cet été. C'est des choses qui nous intéressent beaucoup, par exemple, dans Céleste, pour tout ce qui est prédiction de sécheresse, bac de chaleur, où là, on a vraiment des difficultés à prévoir en amont après 2-3 semaines, justement, parce que c'est très chaotique. On est un peu dans un vide. Et après, à plus long terme, il

y a

ce qu'on appelle la projection climatique, donc souvent à plus de 10 ans, donc typiquement lié au GIEC, pour tout ce qui est policymaking et l'impact long terme sur la population et l'adaptation.

Là, on est carrément à beaucoup plus que 10 ans. On a souvent des horizons de 10

ans à 100 ans. De 10 ans à 100

ans, c'est ce qu'on entend.

Voilà, donc on a trois échelons temporels. Dans quelle mesure, à ces échelons temporels, correspondent des méthodes différentes ?

Oui, en fait, je dirais qu'il y a vraiment un type de modèle pour chaque, même si, en fait, à la fin, en tout cas, dans les modèles physiques, ce sont des modèles qui sont assez similaires. Mais sur la météo, ça va être des modèles qui vont être beaucoup plus haute résolution. Donc,

on

peut typiquement avoir tous les détails de la topographie. Par exemple, dans les Alpes, on peut voir la précipitation. On est à l'échelle de quelques kilomètres. On résout ça de manière très, très détaillée. Et après, on doit dégrader la résolution, encore une fois, à cause du coût de calcul. Donc, on va être plutôt à 25 kilomètres quand on est en sous-saisonnier-saisonnier. Et puis, quand on est à l'échelle du climat, on est plutôt à 100 kilomètres, encore une fois.

On

est de plus en plus vers un jeu vidéo des années 80, alors qu'à court terme, on est très, très fin en termes de résolution.

C'est la résolution qui varie, mais pas la méthode de prévision elle-même.

La méthode est très, très similaire, même si, à l'échelle météo, on a tendance à toujours lancer plein, ce qu'on appelle des ensembles. Donc, on va lancer plein de simulations qui sont légèrement perturbées. Pour essayer, justement, de savoir est-ce qu'il va pleuvoir, quelle est la probabilité de pluie ou non à un endroit. Mais

dans

les grandes lignes, c'est vraiment à peu près la même chose. Ce qu'on essaie de caractériser à long terme, c'est plus l'effet, typiquement, du réchauffement climatique ou des choses qui sont un peu plus

fines,

parce que

ça

a beaucoup d'impact, bien sûr. Mais par rapport, par exemple, à une variation d'un jour à l'autre, on peut avoir des variations qui sont très fortes d'un jour à l'autre.

Est-ce que vous êtes capable, Pierre Gentil, de nous expliquer le plus simplement possible comment fonctionnent ces modèles ? Vous nous dites que

c

'est à peu près les mêmes, ils sont plus ou moins précis et plus on va loin dans la projection temporelle, moins la résolution est fine. Fondamentalement, qu'est-ce qui se passe ? J'ai des observations terrestres ou satellitaires qui me donnent des données.

Oui,

alors

ça, c'est justement une des grandes différences. Le principe de base, c'est qu'il y a des équations physiques. On a quatre grandes composantes. On a les continents, donc la Terre, où il

y

a le cycle du carbone et le cycle de l'eau, donc l'évaporation dont on parlait. Il va y avoir l'atmosphère, donc très, très lié justement à l'aspect météo qu'on va prédire. Il y a les océans, très importants

en

particulier sur le long terme, c'est quelque chose de plus lent. Et après, tout ce qui est cryosphère, donc tout ce qui est lié à la neige, la glace, etc.

Et

donc, on couple ces équations physiques

et

après, on essaie de comprendre leur évolution à plus ou moins long terme. La grosse différence, c'est que sur la météo, on utilise beaucoup, beaucoup de données. Donc, c'était ce qu'on appelle la première révolution de la météo, c'était ce qu'on appelait l'assimilation de données. Donc, utiliser typiquement les ballons qu'on lance tous les jours des aéroports, ça va donner beaucoup d'informations sur la structure de l'atmosphère. Et maintenant, on utilise tous les satellites auxquels on peut avoir accès. Et ça, ça va nous aider à avoir une meilleure caractérisation de l'état de l'atmosphère au moment donné.

Et c'est pour ça que vous voyez de temps en temps les prédictions météo qui vont changer d'une heure à l'autre. Souvent, c'est lancé toutes les 6 heures, toutes les 12 heures. Et donc, on va avoir un raffinement de notre connaissance de l'état de

l

'atmosphère à cause justement de cette assimilation de données.

Donc, fondamentalement, des capteurs.

Beaucoup de capteurs.

Quatre grandes variables

mises

en équation.

Oui, voilà, exactement.

Et une évolution à chaque fois qui est, est-ce qu'on a beaucoup, beaucoup de données locales ou est

-ce qu

'on est sur des données plus globales

? Oui.

On peut le dire comme

ça.

Après, sur l'aspect climatique, alors là, on est bien plus limité parce qu'on n'a pas les données en temps réel. Donc, en fait, il y a très peu d'utilisation de données. Donc, c'est une des choses qu'on voulait justement changer beaucoup dans notre centre.

C

'était mettre la donnée vraiment au devant de la scène pour la projection climatique.

Donc, celle de très long terme, on a dit d

'ici à 100 ans.

Oui, en fait, on veut prédire dans le futur, mais par définition, on n'a pas les données sur le long terme. On n

'a

pas les données dans le futur. Donc, tout ce qu'on peut utiliser, c'est l'historique de données. Donc, par exemple, les tendances de température historique qu'on a observées par des stations météo ou les tendances de précipitation. Mais ça, c'est très, très peu utilisé pour le moment dans les modèles de climat.

Le

paradoxe de notre époque, Pierre-Argentine, c'est quand même qu'on fait face à des difficultés accrues pour anticiper la météo et le climat, mais qu'en même temps, on en a un besoin renforcé. Ces besoins, vous, vous les voyez directement dans votre entreprise. Qui est-ce qui vient frapper à votre porte ?

J'irais typiquement des assureurs et réassureurs parce qu'eux voient en fait les risques qui augmentent. Hier, on donnait justement un séminaire, un webinaire sur les retraits et gonflements des argiles. Et la première question qui est arrivée, c'est est-ce que vous prenez en compte le réchauffement climatique ? Parce qu'en fait, ils voient que si on regarde, on utilise juste l'historique, en fait, on sous-estime énormément le risque. Typiquement, les assèchements, les vagues de chaleur, c'est des choses qui ont beaucoup, beaucoup augmenté, surtout en Europe, les dernières années.

Et

au-delà des assureurs, j'ai vu que les énergéticiens aussi avaient besoin de certaines prévisions, notamment pour les énergies renouvelables, être capables de savoir s'il y aura du vent, s'il y aura du soleil. Ça, vous pouvez leur fournir ces données-là

? Oui,

c'est d'autres acteurs qui viennent nous voir, typiquement pour savoir si leur parc éolien va être impacté ou non, suivant un certain type de temps ou un certain type de climat. Donc là, par exemple, on avait des gens qui voulaient savoir si le parc éolien en Allemagne pourrait fournir suffisamment d'énergie à un instant donné.

Est-ce que vous pensez

que...

D'abord, deux questions. Est-ce que vous pensez qu'on peut dire qu'aujourd'hui, on n'est pas adapté encore ?

C'est

un peu ce que nous a montré l'été. Et est-ce que vous pensez que cette maladaptation est liée à cette incertitude

?

De mon point de vue, oui, je dirais qu'on n'est pas du tout adapté. On a totalement laissé ça, je dirais, en arrière. Et en fait, il y avait, de mon point de vue, un faux débat entre la réduction des émissions et l'adaptation. Et en fait, ce qu'on voit, c'est qu'il y

a

eu vraiment beaucoup d'efforts sur l'atténuation, ce qui est très important pour, bien sûr, les enfants, les générations futures, donc réduire les émissions de gaz à effet de serre, très important. Mais il y a vraiment eu un sous-investissement dans l'adaptation. Il y

a

eu, de mon point de vue, un faux débat sur les

clims.

Et il y a plein de gens qui sont décédés, malheureusement, et beaucoup d'hôpitaux peu équipés.

Et

ce qu'on voit, c'est qu'il

y

a des pays qui sont bien mieux adaptés à ces conditions-là. Et en fait, ce vers quoi on va, c'est des conditions qui sont bien plus chaudes, plus comme les pays méditerranéens, qui sont adaptés

depuis

longtemps. Après, la question, c'est essayer de mettre ça en parallèle avec du renouvelable ou des énergies décarbonées, comme le nucléaire. Mais c

'est

des questions qui sont fondamentales pour pouvoir continuer de travailler, de vivre, d'éviter qu'il y

ait

beaucoup de mortalité, en particulier pour les personnes âgées.

Quand vous dites qu'il y

a

eu, de votre point de vue, un faux débat entre l'atténuation et l'adaptation, vous voulez dire qu'on aurait dû tenir les deux

ensemble,

qu'il n'y

avait

pas d'opposition ?

Exactement, oui. Je pense qu'on s'est focalisé sur le long terme, ce qui était bien évidemment une bonne chose, mais en oubliant. Et là, on est un peu dans le nerf de la guerre, je dirais. Et

là,

on se rend compte qu'en fait, il nous manque beaucoup de choses. Il y a aussi toutes les questions d'eau.

Alors oui, disons-en un mot, puisque c'est vraiment d'actualité. À l'heure actuelle, la France vit une sécheresse très importante. Certaines régions,

peu

habituées au manque d

'eau,

que ce soit la Bretagne ou la région Grand Est aussi, sont dans des situations très compliquées. Ça, on aurait pu s'y adapter, l'anticiper et s'y adapter ?

C'est des choses qui sont des plans très long terme, contrairement au clim qu'on peut installer rapidement. Mais c'est des choses que, oui, il faut mettre en place. Il y a plein d'adaptations sur différents volets. Il y a la gestion de l'eau et puis il

y

a tout ce qui est l'agricole, donc gestion, par exemple, de nouvelles cultures, etc. Donc il y a tout un aspect assez fondamental sur la gestion de l'eau qu'il faut idéalement revoir pour être mieux préparé.

Et

vous pensez, parce que pour le coup, la France, elle a quand même des équipements hydrauliques assez importants, anciens, je crois contrairement à l'Angleterre d'ailleurs.

Oui,

oui,

oui.

Et pour autant, on n

'est

pas assez adapté ?

Il y a quand même des changements qu'on n'avait pas prévus, je dirais. Souvent, quand on fait des dimensionnements, on regarde l'historique. Et en fait, justement, l'aspect réchauffement climatique était assez peu pris en compte historiquement, même si ça change.

Et

après, le climat change localement. Donc des adaptations de culture, typiquement, pour s'adapter aux changements locaux.

Est

-ce qu'on peut dire un mot ? Vous nous avez parlé des grands modèles qui servaient à différentes échelles temporelles à anticiper soit la météo, soit le climat. Moi, je pensais qu'il y avait deux modèles. Un modèle, disons, physique, celui que vous nous avez décrit, avec ces équations où on rentre aux grandes variables, et qu'elles s'y opposaient à un autre modèle qui était un modèle probabiliste, statistique. C'est faux ? Ou est-ce que vous pouvez nous présenter ces deux modèles et nous dire comment ils s'appliquent ou peut-être s'articulent ensemble ?

Non, alors je dirais qu'il y a deux types de modèles actuellement. En fait, il y a les modèles à base d'équations physiques. Donc c'est ce qui a été utilisé historiquement dans la météo. Donc c'est ce qu'on a par exemple à Météo France pour la prédiction météo. Et qui est utilisé aussi pour la projection climatique. Pour l'instant, tous les modèles utilisés pour la projection climatique sont des modèles à base physique.

Et

depuis peu de temps, il y a vraiment une avancée liée à l'intelligence artificielle. On voit l'utilisation de l'intelligence artificielle pour la prédiction météo. Maintenant, au Centre Européen,

c

'est utilisé en interne. Ça fait partie des modèles qui sont utilisés pour la prédiction météo. Donc c'est vraiment

une

avancée fondamentale. C'est depuis l'année dernière, depuis février. Et on commence, c'était le centre que j'avais lancé à Columbia, à utiliser ça aussi pour la projection climatique. Typiquement, pour essayer de mieux caractériser les extrêmes de température ou de précipitation.

Donc, historiquement, des modèles déterministes physiques. Et aujourd'hui, l'arrivée de l'intelligence artificielle, comme une révolution pour le long terme comme pour le court terme. Et là, on bascule dans du probabiliste. On peut le dire comme ça

? Je ne dirais pas probabiliste. Le probabiliste peut être dans les deux cas. Dans les modèles physiques, on peut lancer plein de simulations en même temps. Donc, on peut quand même collecter des statistiques. Mais ces modèles d'intelligence artificielle peuvent être aussi déterministes ou probabilistes. Donc, c'est soit un modèle qui est lancé une fois, ou ça peut être plein de fois des modèles différents.

D'accord. Donc, la grande révolution, finalement, c'est celle de l'intelligence

artificielle. C'est la technique

qui est utilisée.

Et c'est celle que vous êtes en train d'importer dans les prévisions de long terme climatique. Votre laboratoire, Pierre Gentil de Columbia. Vous en êtes donc un des pionniers. On va en parler dans une vingtaine de minutes. Vous restez avec nous. Merci beaucoup. On va d'abord avoir le journal de 8 heures. Et donc, on essaiera d'explorer la manière dont l'intelligence artificielle révolutionne les projections. Tout de suite. France Culture, les matins d'après. Marguerite Caton. Et nous retrouvons Pierre Gentil, professeur à Columbia et à l'école normale supérieure de la rue d'Ulme, spécialiste de l'usage de l'intelligence artificielle dans les modélisations climatiques.

Donc,

voici donc maintenant Avenue Rapp. Et cette fois, dans un cadre beaucoup plus moderne, c'est la salle des ordinateurs à laquelle M. Davis vient de faire mention. Je voudrais d'abord vous poser une question aussi là, Bruce. M. Davis a parlé de satellites soviétiques, de satellites américains, de la météo. Est-ce qu'il n'y a pas un satellite français en préparation

?

Oui, il

y a

effectivement un projet de satellite français. Le projet s'appellera le projet EOL. Et consistera, à partir de ballon, à mesurer les vents à très haute altitude. Donc, la France aura aussi son satellite.

Et

alors, dans cette salle, que se passe-t-il ? Bien, ici, vous êtes dans la salle des calculateurs. Le calculateur qui est ici est un des plus puissants utilisé pour la météorologie. Et il est utilisé aussi bien pour la recherche et la mise au point de nouveaux modèles de prévision que pour l'exploitation quotidienne. Ce que vous êtes en train de voir sur la table est un exemple d'exploitation quotidienne de cartes sorties tous les jours.

Un extrait de l'émission Panorama sur l'ORTF le 18 mars 1969. Monsieur Labroux était interrogé par Jean-François Robinet. Dites-nous Pierre Gentil, autrefois, jusque récemment, on utilisait des supercalculateurs pour les prévisions météorologiques et climatiques. Qu'est-ce qu'un supercalculateur et comment ça fonctionnait en matière climatique

?

Alors, les supercalculateurs, on peut imaginer ça, c'est juste plein, plein de processeurs qui sont mis souvent en parallèle sur lesquels on va pouvoir faire des simulations historiquement de type physique, donc les simulations dont on parlait avant. Donc, on essaie de résoudre des équations à différentes échelles pour essayer soit de prédire la prédiction climatique, météo, pardon. Donc,

c

'est ce qu'on fait tous les jours. Avec ce dont on parlait tout à l'heure aussi, l'assimilation de données,

c

'est-à-dire mettre les données observées, c'est-à-dire de ballons ou de satellites ensemble pour avoir une meilleure estimation de la météo future. Et l'autre utilisation de ces supercalculateurs,

ça

va être tout ce qui est projection climatique. Donc, pour le GIEC, typiquement, qu'on lance, pas tout le temps, mais de temps en temps, il y a des deadlines qui sont mises à jour régulièrement.

Donc, vous parlez au présent, on les utilise encore, est-ce que je comprends ? Et en même temps, l'intelligence artificielle, on en a dit un tout petit mot, vient dans ses prévisions, dans ses projections. Qu'est-ce qu'elle vient faire par rapport à ces supercalculateurs ? Est-ce qu'elle vient les concurrencer ? Est-ce qu'elle vient les remplacer ? Ou est-ce qu'elle fonctionne sur le même modèle, mais de manière plus efficace ? Dites-nous, Pierre Gentine.

Alors déjà, la première chose à comprendre, c'est que quand on parle d'intelligence artificielle, on pense toujours à un énorme coût de calcul avec les data centers, etc. Et en fait, il y a deux parties dans l'intelligence artificielle. Il y a ce qu'on appelle l'entraînement des modèles. Donc, c'est typiquement des réseaux de neurones. Donc, ils ont des poids. Imaginez ça comme des synapses qu'il faut ajuster. Exactement comme un humain qui apprend. On voit des choses et au fur et à mesure, on apprend. Et en fait, ça,

ça

prend beaucoup de temps. Donc, on passe beaucoup de temps de calcul à apprendre ça. Donc, typiquement, les géants de la tech, DeepMind, Google, Nvidia, ont entraîné pas mal de modèles météo, justement, pendant pas mal de temps.

Donc,

entraîner des modèles météo, ça veut

dire leur

faire manger. Plein d'anciennes projections et de réalisations.

En fait, ce qu'ils font, c'est qu'ils utilisent beaucoup d'historiques observés. Et donc, ils s'entraînent sur l'historique jusqu'au jour auquel ils font les simulations. Et en fait, après, ils utilisent ces modèles. C'est ce qu'on appelle l'inférence. Donc, c'est une autre partie de l'intelligence artificielle. où là, on va utiliser ces modèles qui ont été pré-entraînés. Comme quand vous utilisez ChatGPT, vous vous posez des questions. Et c'est quand même très rapide quand on se dit, vu la taille de ces modèles, ça donne une réponse très rapidement. C'est exactement pareil pour la météo. Ça donne une réponse très, très rapidement.

Et surtout, ça donne une réponse bien plus rapidement que les modèles historiques physiques. c'est des ordres de grandeur. C'est 1000 fois ou 100 fois plus rapide, suivant les modèles. Et donc, ça, c'est une vraie disruption, je dirais, et un vrai changement. Parce que ça réduit énormément les coûts de calcul qui étaient gigantesques pour ces modèles météo.

Alors, vous nous dites énormément de choses en même temps. D'abord, l'intelligence artificielle dans les sciences météorologiques et climatiques est utilisée de deux manières. Entraînement, apprentissage. Prévision. Une prévision sur laquelle elle est plus efficace que les supercalculateurs parce qu'elle est plus rapide et donc moins consommatrice

de

ressources et d'énergie. C'est bien ça ?

Oui, c'est ça. Et en plus, elle est de meilleure qualité. Ce qu'on a vu et ce qui a surpris pas mal les gens, c'est qu'elle ne faisait pas qu'émuler ce qui était fait par les modèles physiques, mais elle arrivait à être meilleure à cause justement de l'utilisation d'observations historiques. Et donc, il

y

a beaucoup de gens qui se battent maintenant pour rajouter plein de données. Par exemple, DeepMind a récemment lancé un nouveau modèle où ils ont utilisé d'autres données qui n'étaient pas utilisées par les concurrents. Et donc, c'est exactement pareil que pour les LLM, pour tout ce qui est chat GPT et compagnie. Il y a vraiment une vraie bataille pour la donnée parce que ça va donner une augmentation de la qualité des prédictions.

Et donc, les supercalculateurs dans cette histoire, ils vont disparaître

?

Non, ils sont utilisés, mais ce qui est utilisé par contre pour ces modèles typiquement d'intelligence artificielle, c'est plutôt ce qu'on appelle les GPU. Donc, Nvidia, c'est la plus grosse capitalisation actuelle. Donc, c'est des processeurs qui ont tendance à très, très bien paralléliser les choses. Donc, en fait, on peut faire des calculs en parallèle au lieu de les faire en séquence. Et donc, c'est des choses qui ont tendance à être plus efficaces aussi d'un point de vue coût de calcul. Et donc, c'est aussi une des vraies demandes pour ces types de processeurs, les GPU, ces cartes Graphical Processing Units.

Donc, c'est des cartes qui, historiquement, étaient utilisées pour les jeux vidéo, d'où le nom Graphical Processing Units. Et en fait, qui sont utilisées maintenant pour d'autres choses et en particulier pour l'intelligence artificielle. Donc, c'est pour ça qu'il

y a

une telle demande de ces cartes graphiques

et

ce qui explique la demande pour, justement, Nvidia et l'augmentation en bourse d'Nvidia.

Vous

avez dit aussi, et ça m'intéresse beaucoup, qu'à l'heure actuelle, les prévisions

IA

étaient, on a dit, moins chères, plus rapides, mais aussi plus précises que les modèles historiques physiques. Vous le dites comme ça. Est-ce que, cette fois, on a une dichotomie entre des modèles physiques, qui seraient ceux qu'on a dans les supercalculateurs ou ceux qu'on pourrait faire, peut-être manuellement, des équations, et ces modèles statistiques qui sont, en fait, des espèces d'extrapolation des tendances historiques

?

Oui, voilà, c'est ça, exactement. Et, en fait, exactement, c'est le bon terme. Il y

a

une dichotomie. Il

y

a deux mondes en parallèle qui, pour l'instant, ne communiquent pas, où il y a vraiment juste l'utilisation des modèles d'intelligence artificielle qui, historiquement, venaient vraiment de la tech, je dirais, à part quelques collègues qui ont fait ça au centre européen. Ça a été mis en place, par contre, au centre européen. Donc, souvent, on pense que l'Europe est derrière. Pour tout ce qui est météo et climat, en fait, l'Europe est quand même vraiment pas mal en avance, en particulier sur l'utilisation de

l

'intelligence artificielle. C'est un écosystème super actif, en particulier dans le domaine public. Donc, tout est ouvert, ce qui est super. Et donc, ça fonctionne bien. Par contre, un point qui revient et dont on se rend compte de plus en plus que ces modèles sont très bons en général, mais ils ne sont pas bons sur les extrêmes. Et, en fait,

c'est les extrêmes

qui nous intéressent particulièrement.

Oui,

parce que tout le problème,

c

'est évidemment qu'à l'heure du dérèglement climatique, les séquences historiques, à partir desquelles on nourrit les intelligences artificielles, ne peuvent pas nous dire ce qui va arriver, puisque ce qui va arriver est déréglé. Donc, comment on résout

ça ? Vous avez

très bien résumé.

Et c'est exactement ce qu'on voit, c'est

qu'on voit que ces modèles ont tendance à très bien répliquer des choses qu'ils ont vues, mais n'arrivent pas à ce qu'on appelle extrapoler, c'est-à-dire avoir des choses nouvelles, et en particulier le réchauffement climatique. Il y a

eu

des expériences où, en fait, on essaie de relancer ces modèles dans le futur avec un réchauffement de 2, 3, 4 degrés. Et ce qu'on voit, c'est qu'ils refroidissent la Terre. Et, en fait, ils essaient de retomber sur ce qu'ils ont vu historiquement, qui était plus froid.

Donc, est-ce qu'on peut, aujourd'hui, utiliser l'intelligence artificielle pour faire des prévisions climatiques solides ?

Alors, c'est ce qu'on essaie de faire, nous, dans notre centre. Donc, en fait, c'est avec une combinaison entre physique et intelligence artificielle, en utilisant la capacité de l'intelligence artificielle pour bien utiliser la donnée à l'échelle, et être plus effectif et plus rapide, pour qu'on puisse très facilement lancer des simulations. Typiquement, on essaie de bien caractériser des événements rares, mais c'est très coûteux, et coûteux avec des modèles physiques. Et, par contre, avec des modèles d'intelligence artificielle, on peut faire ça de manière beaucoup plus facile, plus agile, et aussi bien moins chère.

Donc, on peut lancer plein, plein, plein de simulations, et donc, on peut mieux caractériser les événements très rares. Par contre, le vrai problème, c'est ce que vous disiez, c'est que, souvent, on est dans des extrapolations. Donc, on essaie de corriger ces choses-là. On essaie de corriger, en gros, les tendances de fond. On essaie de, ce qu'on appelle, d'étrender. On essaie d'enlever les tendances de long terme liées au réchauffement climatique.

Si

je comprends bien, vous, vous hybridez les

deux modèles,

dont on a dit qu'ils étaient en tête de monde séparés. Est-ce que vous pouvez nous expliquer, encore un peu plus concrètement, cette manière de faire ? D'abord, un modèle physique, sur lequel on a rentré dans une équation. On avait dit, déjà, nos quatre grandes variables, continent, je l'ai repris, continent, atmosphère, océan et neige, rapidement. Donc, vous avez un modèle physique, mise en équation mathématique, et là, l'intelligence artificielle arrive, nourrit des données historiques.

Exactement.

Et

qu'est-ce que ça va produire, comme

rencontre ?

Je supervise une étudiante de thèse, Violette Monod, au sein de notre entreprise,

c'est

la science. En fait, elle fait exactement ce genre de choses. Donc, elle essaie d'utiliser plein, plein de simulations climatiques, de projections long terme. On va essayer d'avoir plein de statistiques. Donc, on génère plein, plein, plein de statistiques pour essayer de voir les extrêmement rares. Le problème de ces simulations climatiques, on le sait, c'est qu'elles sont biaisées. Elles ont tendance à avoir des défauts, et en particulier des défauts sur les événements rares, les événements extrêmes, ce qui nous intéresse. Et donc, ce qu'on fait, c'est exactement ça.

C'est qu'on essaie de, comme vous le disiez, de corriger ça en voyant l'historique, en se disant, ben non, en fait, en moyenne, on a un peu plus chaud. Quand il fait très sec, on voit que la température de l'air est plus chaude. Et donc, on essaie de corriger ça de manière automatique. On ne le fait pas à la main. On essaie de faire ça de manière automatique avec l'intelligence artificielle.

Donc, un peu avoir, comme vous le disiez, c'est exactement le terme qu'on utilise, un hybride entre les deux mondes, c'est-à-dire avoir la capacité d'extrapolation de la physique sur le long terme et avoir aussi la capacité et la facilité de calcul et l'efficacité pour lancer plein, plein, plein de simulations et voir les événements extrêmes sur le court terme.

Donc,

en fait, l'intelligence artificielle est surtout hyper efficace et imbattable pour faire varier toutes les variables,

justement, des

équations. Et donc, il y en a tellement et on a des observations tellement précises, finalement, et des tendances historiques aussi tellement nourries que c'est une puissance de calcul indépassable.

Oui, en tout cas, pour tout ce qui est gestion de la donnée, pour manger plein, plein de données, il n

'y a

pas plus efficace que l'intelligence artificielle actuellement.

Le problème, on l'a dit, c'est la question des valeurs extrêmes, prévoir des phénomènes qui n'ont jamais eu lieu. Il y a une autre limite,

peut

-être, sûrement que vous êtes en train de dépasser Viergentine, mais qui m'intéresse, c'est comment on fait pour prendre en compte les effets à court terme du dérèglement climatique qu'il faut lui-même réussir à anticiper à long terme. Les émissions de gaz carbonique vont avoir des effets qui peut-être, enfin, les tendances qu'on n'arrive pas très bien à prévoir de nos émissions de gaz carbonique, elles ont des effets rétros sur le climat, même à court terme.

Alors, oui

et non. Vous pouvez dire non si ce n'était pas assez

précis. Non, je comprends la question. Alors, il

y

a deux aspects.

C

'est que, oui, les gaz à effet de serre vont être très importants pour le climat futur. Par contre,

ce

qu'on voit, c'est qu'en gros, à la louche,

jusqu

'à

40

ans dans le futur, donc en gros jusqu'en 2060, à la louche, les scénarios d'émissions, donc est-ce qu'on va être plutôt conservateur, est-ce qu'on va plutôt bien attaquer et réduire les émissions, ne changent pas vraiment la donne. En fait, on est sur des tendances. Il

y

a quand même de l'inertie dans le système. On a des tendances qui sont ce qu'elles sont. Et donc, en fait, ça ne change pas vraiment la donne jusqu'à 40 ans. Par contre, de 40 ans à 100 ans, là, il

y

a d'énormes différences suivant les gaz à effet de serre. Donc, ça revient exactement à ce qu'on disait avant. Il y a une fenêtre qui est pour l'adaptation parce qu'on sait à peu près vers quoi on va aller ou on essaie de l'améliorer, en tout cas. On essaie d'améliorer nos prédictions. Et puis après, il y

a

une fenêtre plus long terme où là, ça va être vraiment l'humain, l'économie, ce qu'on veut faire sur la réduction des gaz à effet de serre.

Et là, on fait varier, en fait, toujours comme on l'a dit, avec cette super puissance de calcul. Les

différents scénarios.

Donc,

c

'est les scénarios qui sont mis aussi en lien avec le GIEC pour essayer de voir est-ce qu'on est dans un scénario plutôt pessimiste ou plutôt négatif.

Est-ce que vous êtes capable, avec vos modèles, de couvrir l'ensemble du globe ? Parce que les données qui sont disponibles et dont on nourrit l'intelligence artificielle, ce sont des données, en fait, très occidentales, il me semble. Comment on fait pour pouvoir extrapoler dans des zones où on a moins

de données ? C

'est une super bonne question et c'est quelque chose qu'on essaie de pas mal regarder. Donc, il y

a

vraiment des biais. C'est comme quand on regarde, pareil, quand on utilise l'intelligence artificielle pour la reconnaissance faciale, il y

a

des biais ratios, typiquement, qu'on peut voir, ou de genre, parce qu'on a eu peut-être plus de visages, je ne

sais

pas moi, d'hommes blancs dans la banque de données. Et donc, c

'est

des choses qu'on va avoir. Alors, on a une grosse discussion avec la Gates Foundation pour tout ce qui est données en Afrique, où on a très peu de données. C'est un problème, typiquement, pour la prédiction des pluies, où les données de pluie sont très mauvaises, on a très peu de données. Et donc, c'est un vrai problème pour la prédiction, en particulier pour les moussons, où on ne sait pas très bien, il y

a

des incertitudes qui sont gigantesques, et c'est un vrai problème pour les prédictions agricoles, typiquement, dans ces régions-là.

C'est un problème,

mais

comment ? Quelle solution, alors, vous

apportez ? On ne peut pas l'avoir directement sans la donnée. Alors, il y a quelques petites astuces où, en fait, on peut utiliser des choses équivalentes. Donc, on peut essayer de trouver des données un peu équivalentes dans d'autres régions du monde qu'on aurait. Ou alors, par exemple, si on a des régions où on va avoir des cyclones, est-ce qu'on va avoir des cyclones dans le Pacifique et l'Atlantique ? Des fois, ces données

peuvent

nous permettre de passer d'une région à l'autre, de comprendre ce qui peut aller d'une région à l'autre.

Mais

il y a des régions où on va être fondamentalement limité. Il y a aussi des régions sur lesquelles, par exemple, l'humité des sols, ça, on peut le voir maintenant par satellite, mais où des données, même terrestres, vont être limitantes.

Et

là, en fait, il faudrait investir dans des capteurs. Donc, c'est des choses à faire aussi avec des fondations ou des ONG locales.

L'un des acquis importants de l'intelligence artificielle dans les sciences climatiques, vous l'aviez à peine mentionné en première partie, Pierre Gentine, c'est sa capacité à départager ce qui relève, dans les phénomènes climatiques, du dérèglement et donc de l'activité humaine, de ce qui est strictement naturel. Comment ça fonctionne, ça ?

Alors, il y a une science qui est très importante maintenant pour le réchauffement climatique. On en parlait, oui, justement au début. J'avais des collègues qui arrivent des États-Unis et en France. Là-dessus, c'est ce qu'on appelle l'attribution du réchauffement climatique. Et donc, quand on a un événement extrême, en fait, souvent un peu rapidement,

on

dit, bah tiens, ça, c'est le réchauffement climatique. Et en fait, ce n

'est

pas si facile que ça. Il faut essayer de voir l'historique. On a vu, par exemple, plein de crues historiques qui étaient énormes. Et en fait, ce qu'on essaie de voir, c'est à quel point statistiquement, cet événement pourrait ou non être attribué au réchauffement climatique. J'ai tendance à comparer ça quand on regarde une équipe de foot ou une équipe de sport. En fait, on essaie de voir un peu les tendances long terme. Est-ce que statistiquement, le PSG est meilleur ? Moi, je suis d'Alsace. Il est meilleur que Strasbourg historiquement. Et donc, ça, ça va être des statistiques. On ne

peut

pas le dire sur un match donné. D'ailleurs, il joue ce soir. Mais par contre, ce qu'on peut faire,

c

'est statistiquement,

on

peut dire, bah ça, en moyenne, ça va être plus élevé ou non à cause du réchauffement climatique.

Vous

trouvez qu'aujourd'hui, on ne fait pas assez bien ce partage et que ça nuit peut-être au discours, à la bonne compréhension du phénomène climatique et que ça a des impacts politiques ?

Alors, je dirais que ce n

'est

pas forcément qu'on ne le fait pas bien, même si je pense qu'on peut améliorer les méthodes. Donc, on a un projet européen.

On

attend la réponse pour essayer d'améliorer ça. Mais le vrai problème, je pense que c'est un problème de timing dans la communication. En fait, on aimerait pouvoir, quasiment en temps réel, pouvoir répondre à ces questions. Quand on avait les vagues de chaleur cet été, quand on avait les sécheresses, on aimerait pouvoir dire, ça, on peut l'attribuer au réchauffement climatique par 60%, 80%, 90%

pour

être rapidement dans la communication qui est quand même un peu le nerf de la guerre, je dirais, pour le réchauffement climatique. Le problème, c'est que maintenant, on doit justement faire tourner plein de simulations.

C

'est coûteux et on doit utiliser ces simulations a posteriori pour voir

si

ces événements pouvaient être attribués au réchauffement climatique ou non. Et donc,

il y a

une fenêtre, je dirais, de tir qui est trop longue entre le moment où on a la réponse à la question et le moment où les gens seraient intéressés et auxquels on pourrait y répondre.

Si

je comprends bien, et en conclusion, Pierre Gentine, on peut dire que l'intelligence artificielle n'est pas tant venue apporter une rupture dans les méthodes de l'anticipation météorologique ou climatique qu'une superpuissance de calcul et statistique.

Oui, on pourrait dire que... Alors, il

y

a quand même la baisse du coût de calcul qui est fondamentale. Il y a quand même aussi une amélioration de la qualité de la météo,

de

la prédiction météo et une accessibilité. Il y a beaucoup maintenant de gens qui peuvent lancer des modèles météo presque sur un portable un peu puissant. Et donc, ça change vraiment aussi l'accessibilité à ces capacités de calcul, à ces capacités de prédiction. Et donc, il y a plein même d'entreprises qui se lancent pour faire des choses. Par exemple, pour le renouvelable et essayer de mieux prédire le renouvelable en amont. Et donc, c'est des choses qui sont en train de vraiment exploser, je dirais.

Donc, plus efficace, moins chère et plus rapide. Voilà. Et par rapport notamment à nos super calculateurs du début de cette émission. Merci beaucoup, Pierre Gentine. Merci d'être venu nous introduire dans cette science complexe de la prévision climatique.

Merci à vous. Merci de l'avoir fait avec autant

de simplicité. Tout de suite, on a rendez-vous avec une artiste de demain. Mais on se quitte en écoutant Wild Breakfast de Violette Cowboy.

J'ai été en train de voir ce que j'ai mené. Merci à vous. Merci à vous.

Merci

à vous.

Merci

à vous.