L’étude reconnaît toutefois certaines limites à cette méthode, notamment le fait que leur modèle DL ne reproduit qu’un sous-ensemble restreint de variables, loin des centaines généralement utilisées dans les scénarios IAM complets. Elle souligne également que les biais présents dans les bases de données utilisées pour l’entraînement peuvent être reproduits ou amplifiés par l’IA.
Même si l’apprentissage profond ne peut pas encore remplacer les modèles climatiques traditionnels, il constitue une aide précieuse en offrant des scénarios plus rapides, diversifiés et adaptés aux spécificités régionales. Un appui jugé crucial pour les décideurs et les pays en développement dans l’élaboration de leurs politiques climatiques.



Vous avez signalé ce commentaire comme indésirable. Votre demande est en cours d’examen.