Réchauffement climatique : quand les réseaux de neurones en apprentissage automatique s’en mêlent

La traduction depuis l’anglais de l’article « Abbot And Marohasy Respond To Criticisms Of GeoResJ Paper -Historical Temperature Reconstructions and Estimating the Contribution of the Industrial Revolution to 20th Century Warming » de deux chercheurs australiens (Jennifer Marohasy et John Abbot) a un seul objectif : permettre de réfléchir. Sur la science, sur ses progrès, ses remises en question, ou au contraire sa politisation et sa capacité à devenir une vulgaire propagande politique. Pour qui veut analyser le monde tel qu’il est et non pas tel qu’il est raconté par les différentes groupes d’intérêts qui s’y agitent, le « problème » du réchauffement climatique est un cas d’école.

Je pose un peu plus bas, en préambule, un document tiré de l’archive ClimateGate mise à disposition par Wikileaks fin 2009, pour permettre au lecteur de bien savoir de quoi nous parlons. La lecture du contenu de cette archive donne une idée des nombreux échange ou documents entre des climatologues qui travaillaient aux rapports du GIEC à l’époque et ont eu besoin de corriger de nombreux éléments de leurs études, parce que ces éléments ne collaient pas bien du tout avec la théorie du CO2 comme source principale du réchauffement en cours depuis 150 ans.

Il y a 90% de chances que le lecteur de ce site soit un ardent « défenseur du climat » et estime que l’ONU et les principaux gouvernements de la planète ont raison de mettre le monde entier en état d’urgence pour réduire les émissions de CO2 (en oubliant la sauvegarde de la biosphère et en obligeant à effectuer une transition purement énergétique) et que toute personne venant mettre en doute ce caractère anthropique du réchauffement, ou même de sa force, est un ennemi de la démocratie et de l’écologie : un supporter de Trump, des grandes multinationales des énergies fossiles, un négationniste gravement atteint, un beauf pro bagnole, etc… Ce lecteur peut bien entendu fermer cette page et aller crier son indignation un peu plus loin. Ou bien lire plus avant pour se faire une idée. Parce que croire que son opinion sur le sujet lui appartient est une forme d’aveuglement légèrement dommageable en termes de compréhension du monde et d’ouverture d’esprit. Surtout quand une discipline scientifique verrouillée par le politique vient parfois produire des résultats étonnants et innovants…

Il n’en reste pas moins que cet état de réflexion de la majeur partie de la population occidentale n’est pas anodin. Il n’a aucun caractère scientifique ou critique (et c’est bien dommage), mais il est le produit de ce qui est nommé par ceux-là mêmes qui activent l’opération « Climate Change », une stratégie de communication, basée sur des « règles du jeu » (The rules of the game) très précises. Les opérations (psychologiques) de grande échelle pour imposer l’idée indiscutable du changement climatique comme une catastrophe imminente — et due entièrement à l’émission de gaz à effets de serre par les êtres humains — ont donc été orchestrées sur des années. Les méthodes employées sont nombreuses, et ce document d’une ONG majeure sur le sujet en donnent les grandes lignes (documents extrait de l’archive ClimateGate) :

Pour bien comprendre le « problème » — désormais enterré politiquement et « scientifiquement » — du réchauffement climatique il faut savoir deux trois choses. La première est celle de la bataille scientifique qui a duré plusieurs années sur la reconstitution des températures terrestres sur le dernier millénaire : les climatologues travaillant pour le GIEC se sont beaucoup appuyés sur une courbe dite en « crosse de hockey », établie par Michael Mann à la fin des années 90. Cette courbe a permis à Al Gore de faire le tour de la planète avec son film « Une vérité qui dérange » en 2006 puisqu’elle affiche un graphique de températures sur 1000 ans qui d’un seul coup grimpe en flèche autour de la moitié du XIX ème siècle pour arriver à un sommet inégalé à la fin du XXème.

> Une vérité qui dérange

C’est cette courbe qui a permis au GIEC et Gore (Nobel de la paix tous les deux en 2007) de tirer le « signal d’alarme » sur le réchauffement climatique par l’homme. Sauf que la courbe en crosse de hockey était fausse. Ce que le GIEC a fini par reconnaître, et l’a donc retirée de ses nouveaux rapports.

> Attaques contre Michael Mann à propos de sa courbe en crosse de hockey

La deuxième chose à savoir est que toute la théorie du GIEC sur le caractère anthropique du réchauffement climatique depuis 1850, même sans la courbe en crosse de hockey, repose sur une température actuelle qui est de toute manière — selon le GIEC — au plus haut depuis 1000 ans : si la température à l’an 1100 était égale à celle d’aujourd’hui ou même supérieure, comment expliquer le caractère anthropique du réchauffement de l’an 1100 ? Si l’an mille cent était plus chaud qu’aujourd’hui, cela signifierait que la variabilité naturelle du climat peut créer des réchauffements ou des refroidissements sans que l’activité humaine ne soit en cause. Le premier rapport du GIEC en 1991 admettait pourtant une température médiévale plus élevée qu’à la fin du XXème siècle… puis a retiré cette courbe. Reste la vitesse des réchauffements ou des refroidissements, mais là aussi la périodes de petit âge glaciaire de la renaissance vient démontrer que ces changements climatiques peuvent être brusques.

Tous ces graphiques, ces reconstitutions ainsi que les prédictions de hausse de température sont tirées de données issues de labos du monde entier, dont la NOAA (branche de la NASA), qui en est riche. Ce sont des modèles informatiques classiques qui simulent des processus physiques que les labos continuent d’utiliser pour établir les rapports du GIEC. Les variables sont ajustées, des corrections sont apportées, et ces modèles sont au final fortement critiqués par une partie de la communauté scientifique : de nombreux biais y ont été repérés, des jeux de données écartés, etc, etc… Mais au delà de ces discussions sur les modèles et leurs graphiques, les mails et docs du ClimateGate indiquent que le « consensus » sur le caractère anthropique du réchauffement actuel n’était pas réel en 2009 entre scientifiques : il y a donc eu des coups de poing sur la table, dont celui d’un grand ponte de labo pour effacer les échanges gênants à ce sujet, écarter des données (des indications des anneaux des arbres qui ne montraient pas l’accélération du réchauffement suffisamment « bien », ou d’autres qui montraient au contraire trop « bien » les périodes très chaudes d’il y a 1000 ans).

Ce scandale a été géré, la communication a repris le pas sur le reste, et les scientifiques hérétiques osant calculer autrement que dans le sens du GIEC sont sommés désormais priés de se taire ou de produire des études « compatibles GIEC », mais surtout — s’ils ne le font pas — de perdre leurs crédits et potentiellement, leur job. On ne rigole pas avec la science quand elle a vocation à imposer un nouveau modèle ordre énergétique « écologique ».

Et c’est là, où il y a un an, deux chercheurs spécialisés dans le deep learning tentent une autre approche : reprendre les données et reconstitutions officielles du GIEC, dont beaucoup tirées de données de la NOAA et faire travailler une IA pour savoir ce qu’elle en « pense ». Niveau évolution dans le temps, sur 1000 ans, et puis aussi en lui disant de calculer l’élévation de température sans la révolution industrielle : amusant non ? Oui. Sauf que le résultat n’a pas plu, mais alors pas plu du tout du tout. L’étude d’origine publiée en 2017 est ici : https://www.researchgate.net/publication/318931349_The_application_of_machine_learning_for_evaluating_anthropogenic_versus_natural_climate_change, suivie un an plus tard d’un article traduit de l’anglais ici-même et qui est une réponse étoffée d’octobre 2018, des deux chercheurs, pour expliquer et justifier leur travail (face au shitstorm qu’ils se sont pris dans la tronche).

Cette explication sur la méthode scientifique utilisée et ses résultats est passionnante. Lisez attentivement. C’est de la science. Pas de la politique ou de l’article à sensation. Le seul truc c’est qu’au lieu de vous affoler les sens (avec des prédictions pipeau) et vous plonger dans un monde futur horrible, l’IA indique que s’il n’y avait pas eu de révolution industrielle, donc pas d’émission de gaz à effets de serre, cela n’aurait quasiment rien changé à la température actuelle du globe. Mince alors.

Bonne lecture.

Reconstitutions historiques de la température et estimation de la contribution de la révolution industrielle au réchauffement du 20ème siècle

1. Introduction

Au 12ème siècle, Jean de Salisbury (1120-1180), philosophe, diplomate et évêque anglais, écrivit que nous voyions plus et plus loin que nos prédécesseurs, non pas parce que nous avions une vision plus aisée ou plus grande, mais parce portés haut sur leurs connaissances. Lorsque nous avons entrepris une analyse de l’application de l’apprentissage automatique à l’évaluation du changement climatique anthropogénique par rapport au changement climatique naturel (Abbot et Marohasy, 2017a), nous n’avons pas prétendu être des experts en reconstitution historique de la température à l’aide de données indirectes. Nous avons plutôt recherché des reconstructions par des experts déjà publiés dans la littérature scientifique révisée par des pairs. Notre contribution – en nous appuyant sur ces connaissances expertes – a été de montrer comment les modèles de la série de températures pouvaient être décomposés en ondes sinusoïdales puis utilisés comme données d’entrée dans un réseau de neurones artificiels (RNA) pour générer une prévision. Encore une fois, ce ne sont pas de nouvelles techniques ou techniques que nous avons inventées. Mais cela représente peut-être la première fois que les ANN – utilisés couramment dans la recherche sur les véhicules médicaux et sans conducteur, pour Google Translate, ainsi que dans la publicité et les transactions sur les marchés boursiers – sont appliqués à la prévision de la température à l’aide de reconstitutions de températures à l’échelle du millénaire. Des études antérieures ont montré une analyse spectrale des enregistrements de température instrumentale et approximative à long terme (par exemple, Ludecke et al. 2013).

Les ANN sont une forme d’intelligence artificielle (IA) et d’apprentissage automatique. Fournir à la série ANN sous forme d’ondes sinusoïdales est une forme de prétraitement, appelée extraction de caractéristiques. En substance, nous cherchions à prévoir le comportement de l’ensemble, en comprenant ses composants. Tant que les relations imbriquées dans l’oscillation complexe de la série des températures approximatives se maintiendront, une prévision habile est théoriquement possible. C’est l’hypothèse que nous avons explicitement testée dans cette étude publiée dans GeoResJ (volume 14, pages 36-46): l’existence de cycles climatiques naturels. Cela ne correspond pas au consensus général, qui suppose que de tels cycles ont été perturbés de manière significative par les niveaux élevés de dioxyde de carbone depuis la révolution industrielle. Bien entendu, l’un des traits distinctifs de toute théorie scientifique est qu’elle peut faire l’objet d’une falsification. Il était donc valide pour nous de tester cette possibilité, à titre d’hypothèse. En effet, notre article dans GeoResJ (Abbot and Marohasy 2017a) teste un pilier de la théorie anthropogénique du réchauffement climatique en tentant de séparer la contribution de la révolution industrielle au réchauffement du XXe siècle. Nous l’avons fait en prévoyant l’ampleur probable du réchauffement en l’absence d’une révolution industrielle utilisant un RNA. L’article a fait l’objet de nombreuses critiques, notamment sur la plate-forme de médias sociaux Twitter. Certaines de ces critiques concernent notre méthodologie, notamment l’utilisation des ANN. La plupart des critiques ont été formulées par des climatologues et leurs suiveurs, qui ne sont apparemment familiarisés qu’avec la modélisation par simulation basée sur le codage de processus physiques. Pour rappel, notre technique est largement appliquée aux données de séries chronologiques, par exemple pour la prévision dans le secteur financier.

Il est vrai que la science climatique traditionnelle repose exclusivement sur des modèles de simulation. Par exemple, le GIEC s’appuie sur des modèles de circulation générale, notamment le POAMA du Bureau australien de météorologie. Le modèle atmosphérique le plus utilisé dans le monde, le modèle de recherche et de prévision météorologiques, est également un modèle de simulation. Ces modèles reposent sur une simulation précise des processus physiques, émettent diverses hypothèses sur la physique et la chimie de nos océans et de notre atmosphère et intègrent le dioxyde de carbone en tant que facteur important du changement climatique. Notre article sur GeoResJ impliquait un type de modélisation complètement différent, en particulier la construction de modèles statistiques basés sur les relations inhérentes aux données utilisant des ANN, sans faire d’hypothèses sur les processus physiques.

En outre, il a été affirmé sur Twitter que notre article décrit de manière erronée les séries chronologiques de l’une des six séries de températures de substitution que nous déconstruisons. Plus précisément, notre représentation de Moberg et al. (2005) est incorrect car notre série montre un décalage de plusieurs décennies le long de l’axe du temps. En outre, il a été affirmé que la numérisation grossière d’une série chronologique est incompatible avec une analyse rigoureuse des données. Nous rejetons ces critiques, mais seulement après les avoir évaluées en détail.

Nous commençons ce rapport par un examen des reconstitutions de la température approximative de l’hémisphère Nord effectuées par des experts, car c’est leur traitement dans la littérature technique évaluée par des pairs qui sous-tend notre étude de l’application de l’apprentissage automatique à l’évaluation du changement climatique anthropique par rapport au changement naturel.

2. Reconstructions de la température de remplacement pour l’hémisphère nord

Le 12ème siècle était une période d’optimisme général en Europe qui correspondait à ce que Moberg et al. (2005) décrivent un pic chaud vers 1100, suivi d’une fraîcheur prononcée aux XVIe et XVIIe siècles (page 615). Les livres d’histoire parlent souvent de cela comme de la période chaude médiévale (MWP), suivie du petit âge glaciaire (LIA). La fin du LIA correspond au début de l’industrialisation, mais cette corrélation peut ne pas impliquer un lien de causalité. La question de savoir si l’industrialisation a effectivement provoqué la fin de la LIA et le début d’une période de réchauffement est une hypothèse valable. Il convient également de se poser la question suivante: dans quelle mesure les cycles climatiques naturels ont-ils été perturbés par la révolution industrielle?

Les deux périodes (MWP et LIA) sont généralement évidentes dans les reconstructions de la variabilité climatique à l’échelle du millénaire pour l’hémisphère nord, par exemple dans le premier rapport d’évaluation du GIEC (Houghton et al. 1991), et plus récemment, par exemple dans Wilson et al (2016). Cependant, depuis la publication de Mann et al. (1999), et l’importance de cette reconstruction de l’hémisphère nord dans le chapitre 2 du troisième rapport d’évaluation du GIEC, de telles reconstructions ont suscité une controverse.

Diagramme 1. Diagramme schématique des variations de la température mondiale au cours des mille dernières années, présenté à la page 202 de l’évaluation scientifique du GIEC publiée en 1991

Diagramme 2. La crosse «de hockey», comme indiqué au chapitre 2, Changements climatiques 2001

Les fondements scientifiques, dans le troisième rapport d’évaluation du GIEC Moberg et al. (2005) est une reconstruction souvent citée des températures de l’hémisphère nord au cours des 2 000 dernières années, qui tente de résoudre une partie de la controverse. Moberg et al. (2005) incorpore une référence aux reconstructions de Mann et Jones (2003) et Mann et al. (1998). Le Moberg et al. (2005) explique comment combiner des approximations basse résolution – telles que des interprétations de la température passée provenant de stalagmites, de trous de forage, ainsi que du pollen, des coquilles et des diatomées dans des sédiments lacustres – avec des données haute résolution de cernes d’arbre.

Le Moberg et al, l’article publié dans Nature est accompagné d’informations supplémentaires pouvant être téléchargées à partir du site www.nature.com/nature. Ceci inclut sept séries chronologiques pour les données en anneau d’arbre en tant que « Figure supplémentaire 2 ». Dans l’article en question, une reconstruction à basse fréquence montre les données de forage jusqu’à l’année 1990 (Figure 2d, page 616). Il existe également une reconstruction calibrée (figure 2b). Mais il est difficile de voir l’évolution de la température dans cette série à partir de 1900 environ (ligne rouge), car elle a été superposée à une série de températures instrumentales (ligne verte): comme le montre le graphique 3 de ce rapport.

Graphique 3. Ce sont les séries de températures présentées dans Moberg et al. 2005 tel que publié dans Nature, volume 433. La ligne rouge en b est la reconstruction de la température approximative, qui a été obscurcie par l’imposition d’une série de températures instrumentales homogénéisées (vert) et d’autres représentations (en bleu).

Geirsdottir et al. (2009) comprend une série chronologique citée sous le nom de Moberg et al. (2005), qui ne se superpose pas à une série instrumentale et s’étend jusqu’en 2000, intitulée Figure 13E – et présentée dans le présent rapport sur le graphique 4. En outre, la variabilité des hautes fréquences dans la série de Moberg , illustrée dans le graphique 3) est lissée par Geirsdottir et al. 2009, vraisemblablement en prenant une moyenne mobile. C’est une technique courante en climatologie, utilisée pour réduire le «bruit» dans de telles séries.

Geirsdottir et al. (2009) est l’un des 14 articles publiés dans un numéro spécial du Journal of Paleolimnology. La revue est publiée depuis près de 40 ans et constitue un important répertoire d’articles traitant du changement climatique. L’édition spéciale qui comprend Gerisdottir et al. (2009) était consacré au changement climatique holocène et a été édité par Darrell Kaufman. M. Kaufman dirige une grande unité de recherche spécialisée dans les relevés climatiques indirects.

Graphique 4. Ceci est un extrait de la figure 13 de Geirsdottir et al. 2009, publié par le Journal of Paleoliminology, volume 41. La série sur E est citée sous le titre: «Moberg et al. (2005) ont reconstruit les températures de l’hémisphère Nord calculées en combinant des mandataires à basse résolution avec des données en cernes, en utilisant une technique de transformation en ondelettes pour obtenir un traitement des données dépendant de la durée.

3. Utilisation de valeurs numérisées à partir de reconstructions de proxy de température graphiques publiées

Pour notre évaluation de l’application de l’apprentissage automatique à l’évaluation du changement climatique naturel par rapport au changement anthropique, nous avons choisi d’utiliser des valeurs numérisées à l’aide du logiciel UN-SCAN-IT. Nous avons notamment numérisé des reconstructions de proxy de température graphiques publiées. Ceci est expliqué dans le deuxième paragraphe de la section «Méthodes» de notre article (page 37).

S’il était peut-être préférable d’utiliser les valeurs réelles de chacune des six séries que nous avons déconstruites dans notre article sur GeoResJ, très peu de revues rendent actuellement obligatoire l’archivage de telles valeurs – et les auteurs ne sont nullement tenus de fournir ces données lorsqu’ils reçoivent des informations. Ceci est illustré par notre demande infructueuse à Aslaug Giersdottir (voir la section 4 du présent rapport).

Nous avions précédemment eu du mal à accéder aux valeurs réelles utilisées pour étayer les conclusions des études publiées. Nous avons publié sur ce sujet une série d’articles dans Environmental Law and Management (Abbot et Marohasy 2010 a, b et 2012 a).

Dans l’évaluation finale, le balayage des représentations graphiques est une approche valable car c’est un moyen d’obtenir les coordonnées d’intérêt à partir d’études publiées.

4. Comparaison de Giersdottir et al. 2009 avec Moberg et al. 2005

Dans notre article sur GeoResJ, nous citons Giersdottir et al. (2009), pas Moberg et al. (2005) comme source de notre reconstruction par procuration de l’hémisphère nord. Pourtant, on a prétendu qu’il s’agissait d’une représentation incorrecte de Moberg et al. (2005), en particulier que nous avons modifié la série chronologique. Jusqu’à présent, nous n’avons pas été accusés d’avoir incorrectement représenté Giersdottir et al. (2009), dont la description de Moberg et al. (2005) n’a pas été critiqué.

Le 28 avril 2018, nous avons écrit à Aslaug Giersdottir pour lui demander les chiffres réels utilisés dans la construction du graphique illustré à la figure 13E, ainsi que la source de ces valeurs citées dans Moberg et al. 2005. Le Dr Geirsdottir n’a jamais répondu. Depuis, nous avons eu accès à un ensemble de nombres totalisés pour Moberg et al. 2005,

disponible sur ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt.

Nous avons tracé ces valeurs à partir de ces archives NOAA, avec les valeurs numérisées de la figure 13E de Giersdottir et al (2009), comme indiqué dans le graphique 5.

Il est évident que, bien que Moberg et al. (rouge) et Geirsdottir et al. La série (noire) suit un schéma similaire, Moberg et al. (2005) pourraient être qualifiés de plus bruyants et Geirsdottir et al. (2009) ne correspond pas à un simple déplacement de Moberg et al. séries.

Nous ne savons pas comment Geirsdottir et al. (2005) ont dérivé les valeurs de Moberg et al. (2005), et notre correspondance demandant des éclaircissements n’a jamais reçu de réponse. Mais il n’y a aucune raison de penser que la carte de Geirsdottir a été exclusivement dérivée des données annuelles totalisées présentées dans notre graphique 5. Il est tout à fait concevable que la figure 13E de Geirsdottir et al. L’année 2009 a été construite à partir d’autres données supplémentaires fournies par Anders Moberg.

Graphique 5. Valeurs annuelles tabulées pour Moberg et al. (2005), téléchargés du site Web de la NOAA, avec Geirsdottir et al. (2009) en E à la figure 13, numérisé à l’aide du logiciel UN-SCAN-IT.

En science du climat, il est courant d’ajouter d’importantes séries chronologiques. Par exemple, dans notre travail de prévision des précipitations mensuelles (Abbot et Marohasy 2014), nous utilisons un indice climatique connu sous le nom d’Interdecadal Pacific Oscillation (IPO), régulièrement mis à jour par Chris Folland, anciennement du Met Office britannique, qui demande à Power et Al. (1999) d’être cité comme source pour la série. Autre exemple, le site Web KNMI Climate Explorer, pris en charge par le Met Office néerlandais et l’Organisation météorologique mondiale, fournit les valeurs de Nino 3.4 mises à jour en octobre 2018 (au moment de la rédaction du présent document) et indique qu’il est fait référence à Huang et al. 2017. En effet, lors du téléchargement de séries mises à jour sur différents sites Web en ligne hébergés par des instituts de recherche gouvernementaux, il est souvent indiqué le nom d’une publication que les utilisateurs de la série téléchargeable sont invités à citer.

5. Calculer les écarts de température sur la base de Moberg et al. valeurs tabulées

Une mesure de la robustesse de notre approche est de voir si elle résiste à la réplication. Plus précisément, si nous utilisons les valeurs tabulées pour Moberg et al. (2005) téléchargeables à partir du site Web de la NOAA – plutôt que les valeurs numérisées générées à partir de Geirsdottir et al. (2009) – aurons-nous la même réponse?

Dans notre étude initiale, publiée dans GeoResJ, nous avons pris les séries chronologiques numérisées et les avons soumises à l’analyse spectrale à l’aide du logiciel Autosignal. Dans chaque cas, le nombre de courbes sinusoïdales appliquées pour reconstruire le motif de la série a été augmenté jusqu’à ce que l’amélioration de l’ajustement, estimée par le coefficient de corrélation, ne présente qu’une amélioration marginale. En ajustant les périodicités, la phase et la puissance des composantes d’onde sinusoïdale identifiées, le logiciel optimise les simulations du signal proxy d’origine, en utilisant un nombre défini d’ondes sinusoïdales composantes. L’optimisation a été entreprise à partir de la date de début de la série de températures indirectes jusqu’en 1830, cette période étant considérée comme la période préindustrielle.

Dans cette nouvelle étude, détaillée ici pour la première fois, le rapport de Moberg et al. (2005), des valeurs totalisées ont été utilisées, ainsi que des moyennes mobiles dérivées de ces données, en particulier de 10, 20, 30 et 40 ans.

Les graphiques 6, 7, 8, 9 et 10 présentent ces lignes sous forme de lignes rouges. Les séries dérivées de ANN sont également représentées sous forme de ligne verte. Plus précisément, la ligne verte après 1880 correspond aux prévisions de température. Comme les prévisions sont dérivées d’une «période de formation» préindustrielle (pour utiliser le langage de l’apprentissage automatique), il est prévu que la température ne soit pas perturbée par des niveaux élevés de dioxyde de carbone.

Nous avons calculé la différence moyenne entre les températures approximatives indiquées par les lignes rouges et les températures prévues, comme indiqué par la ligne verte (calculée par ANN) pour déterminer l’écart. Ces valeurs sont présentées dans le tableau 1. Elles vont de 0,20 à 0,03. Les valeurs de notre étude initiale allaient de 0,20 à 0,06: Tableau 12 (page 40) publié dans GeoResJ.

Tableau 1. Écart entre les séries de température approximatives de Moberg et al. (2005) et prévisions ANN pour la période 1880 à 1980.

Graphique 6A. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), d’après Moberg et al. (2005). ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt

Graphique 6b. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), indiquant uniquement la période de prévision de 1880 à 1980.

Graphique 7a. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), d’après Moberg et al. (2005) lissés avec une moyenne mobile sur 10 ans. ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt

Graphique 7b. Enregistrement de la température proxy (rouge) et sortie ANN (vert) de Moberg et al. (2005) lissé avec une moyenne mobile sur 10 ans ne montrant que la période de prévision de 1880 à 1980.

Graphique 8A. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), d’après Moberg et al. (2005) lissés avec une moyenne mobile sur 20 ans. ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt

Graphique 8b. Enregistrement de la température proxy (rouge) et sortie ANN (vert) de Moberg et al. (2005) lissé avec une moyenne mobile sur 20 ans, montrant uniquement la période de prévision 1880 à 1980

Graphique 9A. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), d’après Moberg et al. (2005) lissés avec une moyenne mobile sur 30 ans. ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt

Graphique 9B. Enregistrement de la température proxy (rouge) et sortie ANN (vert) de Moberg et al. (2005) lissé avec une moyenne mobile sur 30 ans, ne montrant que la période de prévision de 1880 à 1980.

Graphique 10A. Enregistrement de la température proxy (en rouge) et sortie du réseau neuronal artificiel (en vert), d’après Moberg et al. (2005) lissés avec une moyenne mobile de 40 ans. ftp://ftp.ncdc.noaa.gov/pub/data/paleo/contributions_by_author/moberg2005/nhtemp-moberg2005.txt

Graphique 10B. Enregistrement de la température proxy (rouge) et sortie ANN (vert) de Moberg et al. (2005) lissés avec une moyenne mobile sur 40 ans ne montrant que la période de prévision de 1880 à 1980.

Fait important, les écarts de température que nous avons calculés à partir de Moberg et al. (2005), ces valeurs se situent toutes dans une plage inférieure aux valeurs maximales indiquées précédemment dans le tableau 12 de Abbot et Marohasy (2017a). Pour être clair, que ce soit en utilisant le Geirsdottir et al. (2009) version de Moberg et al. (2005), comme nous l’avons fait dans notre article dans GeoResJ, ou dans les valeurs totalisées archivées sur le site Web de la NOAA, ou dans des séries dérivées de diverses moyennes mobiles, l’écart n’est pas supérieur à 0,2 degré Celsius.

6. En conclusion

Nous ne prétendons pas être des experts de la reconstruction de séries de températures à l’échelle du millénaire ni de l’archivage de telles données de température indirectes. Au lieu de cela, nous avons passé quelques années à apprendre à utiliser les derniers développements en matière d’intelligence artificielle (IA), en particulier de réseaux de neurones artificiels (ANN), pour prévoir les précipitations mensuelles (Abbot et Marohasy 2012b, Marohasy et Abbot 2015, Abbot et Marohasy 2016, Abbot et Marohasy 2017b, etc.).

Pour établir des tableaux permettant de prévoir les précipitations mensuelles, nous nous appuyons sur des variables d’entrée comprenant notamment les précipitations locales, les températures à la surface des terres, les températures à la surface de la mer et les pressions sur l’océan Pacifique, les températures à la surface de l’océan Indien et les cycles de taches solaires. Certaines de ces séries sont présentées sous forme d’indices climatiques que nous téléchargeons régulièrement à partir du site Web KNMI Climate Explorer, pris en charge par le Met Office néerlandais et l’Organisation météorologique mondiale. Nous ne pourrions pas générer des prévisions mensuelles de précipitations habiles sans accès à ces indices climatiques. En bref, nous nous appuyons sur les connaissances des autres.

Dans notre première étude prévoyant les températures indirectes, nous avons utilisé des versions numérisées de séries de températures indirectes tirées de représentations graphiques dans des études publiées allant jusqu’à l’an 2000. Nous nous sommes fiés à cette série d’un numéro spécial du Journal of Paleoliminology, présenté clairement comme une anomalie thermique à une échelle et une résolution adaptées à nos besoins, allant jusqu’en 2000, représentait fidèlement les températures passées pour l’hémisphère Nord.

Après avoir attiré notre attention sur le fait que cette série est une variante de Moberg et al. (2005), et après nous avoir fourni les valeurs tabulées de Moberg et al. (2005) qui ne s’étend que jusqu’en 1980, nous avons soumis ces données à la même analyse.

Nous avons pris les valeurs totalisées, ainsi que les moyennes mobiles de 10, 20, 30 et 40 ans. Chaque série a été décomposée en séries d’ondes sinusoïdales puis nous avons utilisé un ANN pour générer des prévisions de températures approximatives pour la période de 1880 à 1980. Enfin, nous avons calculé l’écart moyen entre les valeurs tabulées de la température approximative et les prévisions ANN pour une estimation de la température naturelle de changement climatique en supposant qu’il n’y ait pas de révolution industrielle. En d’autres termes, les divergences entre nos prévisions de la série ANN (ligne verte) et celles de la série indirecte basées sur Moberg et al. (2005) (ligne rouge) des graphiques 6b-7b-8b-9b-10b a été utilisée pour indiquer l’étendue du réchauffement provoqué par l’homme dans l’hémisphère nord entre 1880 et 1980.

Fait important, les écarts de température que nous avons calculés à partir de cette nouvelle analyse (en utilisant les valeurs tabulées de Moberg et al. 2005) ne dépassent pas 0,2 degré Celsius. Sur la base du raisonnement présenté dans notre étude originale publiée dans GeoResJ (connaissant en particulier l’augmentation correspondante des niveaux de dioxyde de carbone dans l’atmosphère au cours de cette période), nous estimons à nouveau une sensibilité climatique à l’équilibre (ECS) d’environ 0,6 degrés Celsius.

7. Références

Abbot J. & Marohasy J. 2010a. Accessing environmental information relating to climate change: a case study under UK freedom of information legislation. Environmental Law and Management, 22 (1), 3- 12.

Abbot J. & Marohasy J. 2010b. Accessing information relating to climate change: the case of Irish oaks tree rings. Environmental Law and Management, 22 (4), 172-181.

Abbot J. & Marohasy J. 2012a. Accessing information under Australian freedom of information legislation: a case study involving climate change. Environmental Law and Management, 24 (3), 114-118

Abbot J. & Marohasy J. 2012b. Application of artificial neural networks to rainfall forecasting in Queensland, Australia. Advances in Atmospheric Sciences, 29 (4), 717-730. doi: 10.1007/s00376-012-1259-9

Abbot J. & Marohasy J. 2014. Input selection and optimisation for monthly rainfall forecasting in Queensland, Australia, using artificial neural networks. Atmospheric Research, Volume 138, Pages 166-178.

Abbot J. & Marohasy J. 2016. Forecasting monthly rainfall in the Bowen Basin of Queensland, Australia, using neural networks with Nino indices. In AI 2016: Advances in Artificial Intelligence, Eds. B.H. Kand & Q. Bai. DOI: 10.1007/978-3-319-50127-7_7.

Abbot J. & Marohasy J. 2017a. The application of machine learning for evaluating anthropogenic versus natural climate change, GeoResJ 14, 36-46.
http://dx.doi.org/10.1016/j.gf.2017.08.001

Abbot J. & Marohasy, J. 2017b. Skilful rainfall forecasts from artificial neural networks with long duration series and single-month optimisation, Atmospheric Research 197, 289-299. DOI10.1016/j.atmosres.2017.07.01

Geirsdottir A. Miller G. Thordarson T. et al. 2009. A 2000 year record of climate variations reconstructed from Haukadalsvatn, West Iceland, Journal of Paleolimnology 41, 95-115.

Houghton JT, Jenkins GJ, Ephraums JJ. 1991. The IPCC Scientific Assessment, Cambridge University Press, MA.

Huang B. Thorne, PW. Banzon, VF. et al. 2017. Extended Reconstructed Sea Surface Temperatures Version 5 (ERSSTv5): Upgrades, Validations, and Intercomparisons. Journal of Climate, https://doi.org/10.1175/JCLI-D-16-0836.1

Lüdecke HJ, Hempelmann A, &Weiss CO. 2013. Multi-periodic climate dynamics: spectral analysis of long-term instrumental and proxy temperature records, Climate of the Past, 9, 447-452

Mann ME, Bradley RS & Hughes MK. 1998. Global-Scale Temperature Patterns and Climate Forcing Over the Past Six Centuries, Nature, 392, 779-787.

Mann ME, Bradley RS & Hughes MK. 1999.Northern hemisphere temperatures during the past millennium: Inferences, uncertainties, and limitations. Geophysical Research Letters 26, 759-762.

Mann ME, Jones PD 2003. Climate over past millennia, Geophysical Research Letters 30, 1820.

Marohasy J. & Abbot J. 2015. Assessing the quality of eight different maximum temperature time series as inputs when using artificial neural networks to forecast monthly rainfall at Cape Otway, Australia, Atmospheric Research 166, 141-149. doi: 10.1016/j.atmosres.2015.06.025.

Moberg A. Sonechkin DM. Holmgren K. et al. 2005. Highly variable Northern Hemisphere temperatures reconstructed from low- and high-resolution proxy data, Nature 433, 613-617.

Power S. Casey T. Folland C. et al., 1999: Inter-decadal modulation of the impact of ENSO on Australia. Climate Dynamics, 15, 319-323.

Wilson R. Anchukaitis K. Briffa K. et al. 2016. Last millennium northern hemisphere summer temperatures from tree rings: Part 1: The long term context. Quaternary Science Reviews 134,1-18.

Ends.