Une hypothèse générée par une IA, puis écartée par les chercheurs, les a aidés à retracer l’origine d’estimations invraisemblables du point de rosée au Pérou. Elles concernaient des zones hors de portée des observations des stations météo. Certaines valeurs reconstituées dépassaient 35 °C et se concentraient en novembre, selon Ai2, qui a lancé son outil Theorizer sur sa plateforme de recherche Asta et publié son code source.
Piero Palacios et Henry Juarez, chercheurs au Centre international de la pomme de terre, cherchaient à prolonger la série de données sur le point de rosée du jeu de données climatiques PISCO, qui s’arrêtait en 2016. Ils ont utilisé la série plus longue des températures minimales et la relation entre les deux mesures pour estimer les points de rosée de 2017 à 2020.
Pourquoi c’est important
Le point de rosée mesure l’humidité de l’air et sert de donnée d’entrée aux modèles agricoles qui estiment les besoins en eau des cultures. Theorizer parcourt les articles scientifiques et relie les explications qu’il propose aux études utilisées. Dans ce cas, il a suggéré une variation saisonnière de l’humidité lors du passage de la saison sèche à la saison des pluies en Amazonie, mais les chercheurs ont écarté cette explication pour la zone concernée.
En testant cette hypothèse, ils ont été amenés à comparer les valeurs extrêmes à la couverture des stations. Ils ont constaté que les valeurs reconstituées extrêmes se trouvaient hors de la zone où les observations encadrent les estimations historiques. Les valeurs dépassant le même seuil étaient déjà plus fréquentes dans les estimations historiques sur les périodes comparées.
Impact sur le marché
Des données climatiques plus fiables sont importantes pour la modélisation agricole, car les estimations des besoins en eau des cultures dépendent des données sous-jacentes. Ce cas illustre un usage potentiel des outils de recherche fondés sur l’IA, même lorsqu’une explication proposée est erronée : sa mise à l’épreuve peut orienter les scientifiques vers une autre source d’erreur possible.
Le pic initial de novembre reste inexpliqué. Les chercheurs cherchent à obtenir des observations indépendantes de stations météo pour confronter la reconstitution aux conditions sur le terrain.
Questions fréquemment posées
-
Comment l’hypothèse écartée de l’IA a-t-elle aidé les chercheurs ?
Tester l’explication saisonnière proposée les a conduits à examiner la couverture des stations météo. Les valeurs reconstituées extrêmes se trouvaient hors de la zone où les observations encadrent les estimations historiques.
-
Pourquoi prolonger la série de données sur le point de rosée au Pérou ?
La série du jeu de données PISCO sur le point de rosée s’arrêtait en 2016. Son prolongement fournirait une donnée aux modèles agricoles qui estiment les besoins en eau des cultures.
-
Comment l’équipe a-t-elle estimé les points de rosée après 2016 ?
Les chercheurs ont utilisé la relation entre le point de rosée et la température minimale pour les années couvertes par les deux séries. Ils l’ont ensuite appliquée pour estimer les points de rosée de 2017 à 2020.
-
Sur quoi Theorizer d’Ai2 s’appuie-t-il pour proposer des explications ?
Theorizer parcourt les articles scientifiques et relie ses propositions aux études utilisées. Ai2 a publié le code source de l’outil et l’a lancé sur sa plateforme de recherche Asta.
-
La cause du pic initial de novembre a-t-elle été établie ?
Non. Le pic initial de novembre reste inexpliqué et les chercheurs cherchent des observations indépendantes de stations météo pour vérifier les valeurs reconstituées.