Les modèles climatiques globaux offrent une vision d’ensemble du changement climatique, mais ils manquent souvent de détails locaux essentiels, comme les ouragans ou les vagues de chaleur extrêmes, qui sont atténuées par leur résolution trop basse. NVIDIA Earth-2 permet de surmonter cette limitation grâce à une approche d’interpolation par IA appelée CorrDiff, qui transforme les projections climatiques brutes de faible résolution (comme celles du projet CMIP6) en données haute résolution, corrigées des biais et adaptées à l’analyse des risques locaux. Cette méthode combine une régression pour prédire la moyenne conditionnelle et un modèle de diffusion pour ajouter des détails fins, reproduisant fidèlement les structures observées dans les reanalyses comme ERA5. Le défi principal réside dans le fait que les projections CMIP6, bien que largement utilisées pour les rapports du GIEC, sont trop grossières pour capter les événements météorologiques extrêmes à courte durée. De plus, les ensembles limités de simulations réduisent la fiabilité des estimations des risques extrêmes (« tail risks »). CorrDiff résout ce problème en apprenant à passer d’un modèle à faible résolution (CanESM5, ~2,8°) à une reanalyse haute résolution (ERA5, ~0,25°), en réalisant simultanément la désagrégation spatiale et temporelle, la correction des biais et la synthèse de variables. Elle génère également des ensembles de scénarios à partir d’un seul échantillon, permettant une évaluation robuste des incertitudes. Le processus de formation de CorrDiff repose sur des données appariées : des sorties de CanESM5 assimilées (dcppA-assim), qui s’alignent avec les observations via ERA-Interim, et les données horaires d’ERA5. Les entrées incluent des variables de surface (température, humidité, vent, etc.) et de pression (ta, ua, va, zg, hus, wap), ainsi que des canaux contextuels (heure du jour, géométrie, distance à l’océan, coordonnées sphériques). Après prétraitement (normalisation, interpolation bilinéaire), le modèle est entraîné en cinq étapes : chargement des données, configuration, entraînement de la régression (UNet), évaluation de la régression, puis entraînement du modèle de diffusion. Le processus nécessite de 10 à 2 000 heures de GPU selon l’échelle. Les résultats montrent une amélioration significative : CorrDiff révèle des cyclones tropicaux dans le Caraïbe et le Pacifique, absents dans les données brutes. En évaluation quantitative sur les données historiques (2010), CorrDiff réduit fortement l’erreur moyenne absolue (MAE) et l’erreur quadratique moyenne (RMSE) pour la température à 2 mètres (T2m), passant d’un biais de +0,97 K à -0,11 K. Pour le vent, les performances sont également améliorées, malgré un biais faible dans CanESM5. L’ensemble de 8 membres fournit une dispersion bien calibrée, mesurée par le CRPS, inférieur à la MAE, ce qui confirme que l’incertitude est réelle et non bruitée. L’application à des projections futures (SSP585) montre que la correction des biais reste stable jusqu’en 2100, bien que la variabilité augmente avec l’éloignement du passé. Cela souligne la nécessité d’outils de validation supplémentaires, comme la validation croisée à fenêtre mobile, pour évaluer les limites d’extrapolation. En pratique, S&P Global Energy utilise CorrDiff pour produire des ensembles de scénarios à grande échelle, permettant une analyse probabiliste des risques pour des portefeuilles d’actifs. Ces ensembles alimentent des fonctions d’impact internes, traduisant les variables climatiques en pertes réelles (dommages aux infrastructures, perturbations énergétiques, etc.). Cette approche transforme le risque climatique en décision actionnable. Pour démarrer, les utilisateurs peuvent utiliser Earth2Studio pour exécuter des inférences avec le modèle pré-entraîné, ou former leur propre version via PhysicsNeMo. Cette technologie ouvre la voie à une évaluation du risque climatique plus précise, locale et robuste, essentielle pour la planification d’infrastructures, l’adaptation agricole et la résilience des systèmes critiques.