B. LES POSSIBILITÉS AUGMENTÉES DE SIMULATION ET DE PRÉDICTION
Des techniques d'IA sont mises en oeuvre pour réaliser des simulations dans une démarche prédictive ou d'alerte précoce.
Elles permettent ainsi d'anticiper des changements à court, moyen ou long terme, en particulier dans le domaine des services météorologiques et climatiques.
1. L'état des nappes phréatiques et la gestion de l'eau
Pour le suivi des nappes phréatiques, le Bureau de recherches géologiques et minières (BRGM) utilise le machine learning comme un complément à la modélisation physique « classique » ou en substitution de modèles physiques pour développer l'outil « météaunappes ». À partir de séries temporelles de suivi du niveau des nappes et de leur composition chimique, celui-ci permet d'anticiper le comportement saisonnier de certaines nappes en fonction de scénarios climatiques.
L'IA permet en effet de construire des modèles statistiques de prévisions plus robustes en tenant compte de divers paramètres agissant sur le niveau des nappes (pluviométrie, température ou encore propriété du sol). Elle permet également d'obtenir une connaissance plus fine aux endroits ne disposant pas de relevés issus de capteurs (piézomètres) ou de définir un emplacement adapté pour ce type de capteur afin de parvenir à une estimation efficace du niveau d'un aquifère.
Cette utilisation permet de fournir aux autorités une information prédictive relativement fiable pour la gestion de l'eau à l'échelle de certains territoires.
2. La prévention des inondations
Pour la prévention des inondations, le projet AI4FLOOD27(*) auquel participe le Cerema s'appuie sur l'IA pour suivre les mesures hydrométéorologiques de terrain et contribuer à renforcer l'efficacité de leur analyse, en l'absence ou en complément de prévisionnistes experts. De façon complémentaire, l'analyse des images radar par l'IA a pour objectif d'améliorer les prévisions pluviométriques.
Le projet concerne quatre bassins pilotes frontaliers de l'Espagne situés en dehors du réseau de vigilance relevant de l'État. À terme, les jeux de données de référence des modèles doivent s'enrichir pour alimenter un méta-modèle qui sera capable de réaliser des calculs hydrauliques quasiment en temps réel sur quelques centaines de noeuds et de contribuer à un système d'alerte précoce. Une couverture plus exhaustive du territoire pourra ainsi être envisagée.
3. La modélisation des évolutions météorologiques et climatiques et des événements extrêmes
L'IA apporte également une contribution significative à la modélisation dans le domaine de la météorologie et des sciences du climat.
· L'IA et la prévision du temps
S'agissant de la météo, des techniques d'IA ont fait leur entrée à Météo-France dès les années 1990 afin d'améliorer notamment le « post-traitement » statistique des prévisions météorologiques, c'est-à-dire le processus visant à affiner des données brutes issues d'un modèle de calcul pour renforcer la pertinence des résultats.
Mais c'est surtout dans la période récente que des développements novateurs en IA ont permis de faire progresser certaines parties des modèles de prévision. Le recours à des méthodes d'apprentissage automatique comme des forêts d'arbres de décisions développées en interne est désormais habituel, notamment pour le post-traitement statistique des prévisions.
L'utilisation de réseaux de neurones convolutifs, adaptés au traitement d'image, est également fréquent. Les applications sont multiples : prévision à court terme de la couverture nuageuse, estimation des précipitations à partir d'images satellites, nettoyage d'images radar, détection de neige sur des images de webcams ou encore identification d'orages violents dans les résultats des modèles de prévision numérique du temps28(*).
Le recours à ces techniques permet de traiter en quelques secondes des images produites par des centaines de webcams sur le territoire français et, par exemple, d'identifier celles présentant de la neige ou du brouillard. Le prévisionniste est ainsi mis en capacité de localiser directement les zones concernées par des phénomènes potentiellement dangereux, alors qu'il devait auparavant visualiser les images une par une.
Dans ce contexte, le recours à l'IA fait gagner un temps considérable dans la prévision météorologique.
Les émulateurs par IA sur lesquels travaille Météo-France sont entraînés sur des données issues de relevés d'observations et de prévisions29(*). Ils sont ensuite capables de « produire l'équivalent de certaines prévisions ou d'affiner certaines d'entre elles avec une extrême rapidité, déplaçant le coût vers la production de l'information nécessaire à l'entraînement des systèmes »30(*). La question de savoir si des modèles météorologiques entièrement basés sur l'IA se substitueront aux modèles physiques peut ainsi se poser.
L'IA va-t-elle remplacer les modèles météorologiques actuels ?
La chaîne de production des prévisions météorologiques fait intervenir plusieurs étapes. Schématiquement :
- des données d'observation de l'atmosphère, des surfaces ou encore de l'océan sont collectées par satellites ou des moyens in situ ;
- ces données alimentent plusieurs fois par jour des modèles numériques représentant les processus atmosphériques ;
- les résultats de ces simulations brutes sont retraités pour produire les informations de prévision.
Depuis quelques années, les techniques d'apprentissage profond paraissent offrir une alternative intéressante à certaines composantes de cette chaîne. La recherche se poursuit pour le développement de systèmes de prévision intégralement fondés sur l'apprentissage capables d'égaler la finesse spatiale des modèles actuels (de l'ordre de 1 kilomètre à 500 mètres).
Cependant, l'amélioration des modèles de prévision actuels doit également se poursuivre pour les raisons suivantes rappelées par Météo-France :
- la bonne exploitation d'un système de prévision numérique fondé sur l'IA requiert l'accès à des données adéquates pour l'apprentissage. Or ces données sont aujourd'hui issues des modèles physiques et le modèle d'IA doit être régulièrement entraîné ;
- des progrès doivent encore être réalisés dans l'adaptation du post-traitement pour garantir la valeur des informations produites par ces nouveaux systèmes ;
- par rapport aux modèles physiques, les modèles fondés sur l'IA soulèvent un enjeu crucial de transparence (ou d'« explicabilité »), susceptible de freiner les développements en cours si la question de la « boîte noire » n'est pas réglée par la garantie d'une « IA de confiance ». Il s'agit de permettre aux prévisionnistes de s'approprier les nouveaux outils en en comprenant le fonctionnement.
Au total, les deux approches ont vocation à cohabiter à court et moyen terme, le passage à un modèle d'IA intégral étant encore une perspective relativement lointaine.
Selon les scientifiques, seule une utilisation régulière pendant plusieurs années permettra de savoir si les modèles d'IA pourront pleinement s'intégrer à la prévision d'un point de vue opérationnel.
· L'IA et la modélisation du climat
§ L'IA est également de plus en plus employée dans la science du climat.
Des méthodes d'IA sont utilisées pour « émuler » - simuler numériquement - des modèles climatiques régionaux. Des projections climatiques mondiales voient ainsi leur échelle réduite à 10 kilomètres horizontalement, ce qui permet de multiplier les possibilités de simulation régionale sans nouvelles modélisations.
Dans ce cadre, selon Météo-France, l'apport de l'IA est décisif pour caractériser de manière fine les sources d'incertitude telles que l'influence de la variabilité naturelle, c'est-à-dire les fluctuations du climat qui se produisent sans l'influence directe des activités humaines. De premiers développements en ce sens ont porté sur les températures et les précipitations.
Météo-France indique que l'IA peut également être utilisée pour remplacer certaines parties onéreuses des modèles climatiques globaux, y compris en l'absence d'observations de référence. Cela concerne en particulier la prise en compte du transfert radiatif, c'est-à-dire l'influence des rayonnements. Des simulations numériques sont alors produites, sur le fondement desquelles des paramétrages reposant sur l'IA sont développés. Cette technique permet à l'établissement de produire des simulations climatiques à un coût numérique réduit.
§ La prévision des phénomènes extrêmes
De nombreuses équipes à travers le monde contribuent à faire progresser la recherche sur l'apport de l'IA pour anticiper des phénomènes localement dangereux.
C'est le cas du projet « ARCHES »31(*) conduit par l'Inria en partenariat avec le laboratoire LATMOS/ISPL. Ce projet explore les perspectives d'utilisation de l'IA pour mieux prévoir des événements météorologiques extrêmes, notamment les « risques en cascade ».
Dans le cadre d'une approche interdisciplinaire, l'équipe de recherche a démontré qu'une adaptation des réseaux neuronaux convolutifs, un type avancé d'apprentissage profond, permettait de prédire avec précision la trajectoire des ouragans, qui sont connus pour être difficiles à anticiper. De nombreuses questions restent à explorer et la recherche se poursuit, en particulier sur la compréhension des changements soudains d'intensité des ouragans.
Trois réseaux neuronaux convolutifs (CNN) sont entraînés séparément à partir de trois catégories de données (vents ; géopotentiel ; historique et métadonnées). Le réseau final fusionné est réentraîné avant de fournir une prévision de déplacement de l'ouragan sur 24 heures.
Source : Giffard-Roisin et al., « Tropical Cyclone Track Forecasting Using Fused Deep Learning From Aligned Reanalysis », Frontiers in Big Data, 28 janvier 202032
L'IA trouve également des applications pour la prédiction des canicules. Une équipe interdisciplinaire de scientifiques français32(*), du CNRS, du CEA et de l'Université Claude-Bernard Lyon 1 a en effet mis au point une IA capable d'évaluer la probabilité de la survenue de vagues de chaleur, à partir de données environnementales telles que l'humidité des sols et l'état atmosphérique, jusqu'à un mois à l'avance.
Cette technologie de prévision climatique avancée utilise le deep learning et des modèles statistiques intégrant de nombreux paramètres. Entraînée sur 8 000 ans de données simulées avec le modèle climatique PlaSim de l'Université de Hambourg, cette IA génère des prévisions en quelques secondes, en complément des modèles météorologiques traditionnels.
Pour pallier le manque de données sur les événements rares, les chercheurs prévoient de combiner cette solution avec des algorithmes de simulation conçus il y a cinq ans, afin d'optimiser la fiabilité des prévisions et de comparer les résultats.
4. Les jumeaux numériques : une approche très prometteuse pour l'aide à la décision
L'approche des jumeaux numériques connaît des développements rapides sur les questions environnementales. Associées aux progrès permis par l'IA, ces techniques ouvrent de nouveaux horizons pour l'aide à la décision fondée sur les possibilités de simulation.
Le concept de « jumeau numérique » : bref détour historique
Un jumeau numérique constitue une réplique numérique d'une réalité physique. Il permet de suivre et d'anticiper les effets de divers facteurs sur cette réalité grâce à des modèles de simulation et de prévision. D'abord cantonné au secteur industriel, le terme recouvre aujourd'hui des réalités diverses, allant de la gestion d'un bâtiment ou d'une infrastructure à l'appréhension d'un territoire, qu'il s'agisse d'un quartier urbain, d'un espace rural, d'une ville dans son ensemble ou d'une étendue géographique encore plus vaste.
Le jumeau numérique est conçu pour être synchronisé avec le monde physique, à travers des flux de données arrivant par exemple de capteurs ou de systèmes qui extraient des informations sur la représentation modélisée.
Le sauvetage d'Apollo 13 : premier usage d'un réseau de « jumeaux numériques »
Si le concept de jumeau numérique a aujourd'hui le vent en poupe, sa première utilisation remonte à l'accident de la mission Apollo 13 en 1970.
À 330 000 kilomètres de l'équipage, les ingénieurs de la NASA disposaient de simulateurs du fonctionnement des principaux composants de la capsule endommagée. Contrôlés par un réseau d'ordinateurs, les simulateurs pouvaient être synchronisés avec les données provenant de l'engin spatial. L'opération de diagnostic et de sauvetage de la mission a ainsi été rendue possible en grande partie grâce à des « doubles numériques » en interaction les uns avec les autres.
Un concept popularisé dans l'industrie à partir des années 2000
Au plan conceptuel, le « jumeau numérique » trouve ses prémices dans l'idée de « monde miroir » tel que décrit par David Gelernter en 199333(*). Ce dernier imaginait un prototype complet d'une ville ou du monde peuplé de jumeaux numériques interconnectés.
Le concept a ensuite été popularisé dans l'industrie dans les années 2000, dans le cadre de la création d'un centre de gestion du cycle de vie des produits sous l'impulsion de Michael Grieves de l'Université du Michigan34(*). Il s'agissait d'associer un objet physique à un double numérique capable d'en observer le fonctionnement en temps réel afin d'en suivre le cycle de vie. La réplique numérique offrait un support sur lequel des forces pouvaient être appliquées afin de modéliser le comportement d'un l'objet physique et ses déformations.
Le jumeau numérique étant mis à jour par la réception de flux d'informations provenant de capteurs, senseurs et dispositifs électroniques, cela a ouvert la voie à une approche innovante fondée sur la possibilité de simulations.
Une utilisation croissante dans de multiples domaines, portée par les progrès de l'IA
Grâce au progrès technologique (accroissement des performances et miniaturisation du matériel informatique, rapidité croissante des réseaux de télécommunications avec le ultra haut débit), les techniques du jumeau numérique connaissent aujourd'hui de nombreuses applications avérées ou potentielles, non seulement dans le domaine industriel, pour optimiser les processus de production et la maintenance (aéronautique, industrie automobile, nucléaire), mais aussi en médecine par exemple (essais « in silico ») et désormais dans le domaine des sciences environnementales.
Par la prise en compte du comportement, dans le temps et l'espace, d'un objet qui évolue dans son environnement, le jumeau numérique permet d'adopter une approche holistique de la représentation : un seul espace doté d'échelles multiples et d'une représentation en quatre dimensions doit permettre d'offrir un double virtuel d'une réalité physique quelle qu'elle soit, comportant à la fois son passé, son présent et ses futurs possibles.
S'agissant de l'adaptation aux enjeux environnementaux, la combinaison de l'IA avec la modélisation en 3D très précise dans le cadre de jumeaux numériques permettra de tester des scénarios d'évolution en fonction de divers paramètres.
a) Une « carte du futur » pour connaître l'environnement, simuler et planifier
Les caractéristiques du jumeau numérique en font aujourd'hui un outil prisé pour l'adaptation aux enjeux environnementaux.
Son intérêt est qu'il peut apprendre en permanence à partir de multiples sources et, à mesure que la contrepartie physique change, se mettre à jour à une vitesse beaucoup plus rapide que les modèles de cartographie et de simulation précédents.
De multiples problématiques peuvent être concernées : gestion de l'énergie, évolution du trait de côte, suivi de la santé des forêts, transition agricole ou encore politique écologique.
L'IA intervient à différents niveaux pour intégrer et réduire la complexité des flux de données, par exemple avec des espaces latents (espaces identifiés comme optimaux pour résoudre une tâche), accroître la rapidité des simulations (métamodèle) et pour transformer les données du simulateur en aide à la décision.
b) Des échelles géographiques diverses, du niveau local à la Terre toute entière
§ Le développement d'un jumeau numérique sismique en milieu géologique complexe en Guadeloupe
L'École spéciale des travaux publics (ESTP)35(*) collabore avec le BRGM et d'autres partenaires à l'encadrement d'une thèse sur le développement d'un jumeau numérique sismique en milieu géologique complexe pour les risques industriels.
Lancé en octobre 2022, ce projet consiste en la construction de plusieurs jumeaux numériques dits « multi-physiques multi-échelles », interopérables par objet d'intérêt (faille, grandes structures sismologiques environnantes, lithostructure sous-jacente au site d'étude, etc.). L'étude concerne une zone de la commune de Capesterre-Belle-Eau en Guadeloupe, qui inclut le barrage hydraulique Dumanoir36(*).
Un double objectif est poursuivi : comprendre l'importance relative des différents processus qui expliquent la survenue des séismes et améliorer la prédiction fine des mouvements du sol. L'enjeu est d'assurer l'intégrité des installations industrielles critiques et d'accompagner le développement d'un territoire soumis à des pressions grandissantes en termes d'aménagement.
Le projet repose sur des outils comme du machine learning pour traiter automatiquement de très grandes quantités de données générées par les scénarios de séismes et sur le développement de workflows semi-automatiques.
Il est prévu que la méthodologie développée puisse être appliquée à d'autres sites concernés par des risques industriels avérés37(*).
§ Le jumeau numérique de la France et de ses territoires
À l'échelle de la France entière, un ambitieux projet de développement d'un jumeau numérique a récemment été lancé par l'IGN en collaboration avec le Cerema et l'Inria. À terme, ce « jumeau numérique de la France et de ses territoires » doit offrir une cartographie du futur du territoire en fonction de différents scénarios d'évolution des conditions climatiques et de l'action publique.
Pour ce faire, d'après les éléments communiqués par l'Inria, l'IA sera utilisée de façon massive : pour la spatialisation et les représentations polymorphes (paysages, ouvrages d'art, infrastructures) mais aussi pour des simulations (risques environnementaux, épidémiologie, biodiversité...)38(*).
Parmi les cas d'usage possibles touchant à l'environnement, on peut citer :
- la problématique de la gestion du littoral, pour laquelle le jumeau numérique permettra par exemple de visualiser en dynamique des scénarios d'évolution pour les infrastructures ou les biens menacés ;
- l'enjeu de la résilience du système agricole, avec l'anticipation du changement climatique sur les types de culture ou la modélisation à grande échelle des évolutions des pratiques agricoles ;
- la question de la gestion durable des forêts en simulant son évolution en fonction de diverses hypothèses climatiques.
Quelques exemples d'utilisateurs et d'usages possibles
Élu de collectivité, le jumeau numérique m'aide à prendre en compte l'objectif de Zéro artificialisation nette. Il me permet de calculer l'impact de mes choix d'aménagement sur l'artificialisation des sols et clarifie les arbitrages entre les contraintes de sobriété foncière et de réponse aux besoins.
Citoyen, je participe aux consultations publiques grâce au jumeau numérique national en accédant à un outil de médiation me permettant de visualiser simplement les choix d'aménagement et l'impact sur mon cadre de vie.
Bureau d'études, le jumeau numérique me donne accès à des données fiables et pertinentes ainsi qu'à des outils de simulation des risques de submersion à court et long terme.
Agence de l'eau, le jumeau numérique me permet de simuler l'effet de différentes pratiques agricoles sur l'eutrophisation des cours d'eau et la contamination éventuelle de nappes phréatiques par des produits phytosanitaires.
Pendant l'incendie [d'une forêt], le jumeau numérique sert de support d'information aux services de secours. Des simulations permettent d'anticiper l'évolution du feu et guide les pompiers dans leurs actions.
Source : IGN
La mobilisation de modèles de simulation facilitera l'élaboration d'outils d'aide à la décision mais aussi d'intermédiation pour éclairer le débat public.
§ Du jumeau numérique de l'adaptation au changement climatique au jumeau numérique de la Terre
À l'échelle européenne, le lancement début 2022 de l'initiative « Destination Terre »39(*) doit permettre de développer un jumeau numérique très précis de la Terre à l'horizon 2030.
Il aura vocation à réunir dans un socle commun plusieurs jumeaux numériques thématiques, parmi lesquels les deux premiers, dévoilés en juin 2024, sont consacrés, d'une part, à l'adaptation au changement climatique40(*), d'autre part, aux phénomènes météorologiques extrêmes.
À terme, ces jumeaux numériques fonctionneront en synergie pour permettre la prise en compte des interactions entre le climat et d'autres dimensions environnementales ou sociales des politiques publiques. Ils permettront ainsi d'anticiper leurs impacts dans les différents secteurs des politiques concernées.
Source : Commission européenne
Les données sont collectées à partir de sources variées (satellites avec notamment le programme européen Copernicus, réseaux d'observation mondiaux, capteurs terrestres, observations in situ) et alimentent une base de données. Le jumeau intègre des modèles climatiques avancés, qui simulent les processus physiques, chimiques et biologiques et incluent des simulations des interactions entre l'atmosphère, les océans, les glaces polaires, les forêts et les activités humaines.
Les infrastructures de calcul à haute performance (HPC) permettent de gérer et de traiter les gigantesques quantités de données. L'IA, avec l'apprentissage automatique, est utilisée pour améliorer les modèles, détecter des motifs complexes dans les données et fournir des prévisions rapides et fiables.
Grâce à une plateforme de services, les utilisateurs pourront accéder à des outils d'IA, des analyses de données à grande échelle et des capacités de surveillance et de simulation du système terrestre. Les secteurs concernés par l'impact du changement climatique et les évènements extrêmes (agriculture, forêt, énergies renouvelables, santé publique, gestion de l'eau) pourront adapter les outils et données disponibles à leurs besoins.
Le jumeau numérique a ainsi vocation à devenir également un support pour la recherche scientifique, en laissant la possibilité aux chercheurs d'explorer les interactions complexes entre différents « sous-systèmes » comme les océans, l'atmosphère et la biosphère.
c) Des interrogations en suspens
Si la technologie du jumeau numérique laisse entrevoir des progrès considérables pour la simulation, des interrogations demeurent.
La réflexion sur sa place dans l'aide à la décision n'en n'est en effet qu'à ses débuts. En témoigne le groupe de travail du Conseil national d'information géolocalisée (CNIG) avec l'IGN, le Cerema et l'Inria41(*). Ses travaux visent notamment à clarifier la terminologie employée, recenser les cas d'usage et les bonnes pratiques des jumeaux numériques territoriaux en termes de capacités d'analyse et de simulation, et à évaluer l'apport véritable de l'IA dans la modélisation.
La réflexion porte également sur la capacité d'un jumeau numérique à être un parfait modèle de la réalité. Indépendamment de la question de la mise à jour des modèles et de la synchronisation des données, il s'agit des limites liées à la « calculabilité » d'une simulation de plus en plus complexe du monde42(*). Les progrès considérables de l'IA, en particulier de l'IA générative, semblent permettre de repousser les limites de la prédictibilité. La question peut néanmoins se poser de savoir à partir de quand ou dans quelles situations un jumeau ne parviendra plus à refléter correctement la réalité. En tout état de cause, l'enjeu d'intelligibilité des processus sur lesquels se fonde le modèle devra être pris en compte.
Enfin, de nombreux jumeaux numériques sont en cours de développement, y compris par de grands acteurs privés en France et surtout à l'étranger. NVIDIA a par exemple annoncé la création d'Earth-2, jumeau numérique du climat terrestre. Fujitsu exploite de son côté l'IA et les données des drones sous-marins pour créer un jumeau numérique de l'océan. Le CNES et QuantCube ont récemment élaboré un prototype de jumeau numérique pour la gestion des risques d'inondation. L'articulation entre ces différents modèles publics et privés et la façon dont les acteurs s'en saisiront restent des questions ouvertes.
* 27 Le projet « Interreg POCTEFA AI4FLOOD » (adaptation et amélioration de la prévention des inondations au niveau municipal par l'intégration de l'intelligence artificielle et de la participation citoyenne) associe des partenaires français et espagnols. Cofinancé par la Commission européenne, il a débuté en 2024 pour une durée de trois ans : https://ai4flood.com/
* 28 En ce qui concerne spécifiquement les prévisions relatives aux précipitations, le recours à l'IA et aux réseaux de neurones convolutifs est utile dans les cas où il est fait appel aux données issues des observations satellitaires plutôt que celles fournies par les radars qui font habituellement référence. Cela concerne par exemple les zones du territoire français (Mayotte, Polynésie française) non couvertes par les radars ou les situations dans lesquelles il convient d'anticiper des phénomènes au large de l'Atlantique. Dans ces cas, pour compenser la portée réduite des radars, les prévisionnistes utilisent l'outil « Espresso » qui permet d'estimer les précipitations à partir d'images satellite et d'identifier grâce à l'IA, mieux que ne le font les méthodes physiques, les relations non linéaires entre ces précipitations et d'autres données.
* 29 Une première étape nécessaire à l'élaboration d'un modèle d'émulation par IA de la prévision numérique du temps a été permise par la génération en 2024 d'une base d'apprentissage à 2,5 km de résolution spatiale.
* 30 Contribution de Météo-France en réponse au questionnaire des rapporteurs.
* 31 « AI Research for Climate Change and Environmental Sustainability ». Initiative de recherche lancée par l'Inria en partenariat avec des institutions comme l'Université Sorbonne, l'UVSQ et le CNRS, et dirigée par Claire Monteleoni, spécialiste de l'informatique climatique.
* 32 George Miloshevich, Bastien Cozian, Patrice Abry, Pierre Borgnat, et Freddy Bouchet, « Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data », Physical Review Fluids, 2023 : https://hal.science/hal-03741938v2/file/main.pdf
* 33 D. Gelernter, Mirror worlds : Or the day software puts the universe in a shoebox... How it will happen and what it will mean, Oxford University Press, 1993. Le prologue de cet ouvrage débute ainsi : « Ce livre décrit un évènement qui arrivera un jour prochain : vous regarderez l'écran d'un ordinateur et y verrez la réalité. » (traduit de l'anglais)
* 34 M. Grives et J. Vickers, « Digital twin : Mitigating unpredictable, undesirable emergent behaviour in complex systems », Transdisciplinary perspectives on complex systems, 2017. Michael Grieves indique avoir lui-même emprunté le terme de jumeau numérique à John Vickers de la NASA.
* 35 Chaire « Jumeaux numériques de la construction et des infrastructures dans leur environnement ».
* 36 Des données géologiques et géophysiques sont disponibles sur ce site pour lequel un jumeau numérique a déjà été initié. Ce dernier constitue le support numérique pour réaliser des prédictions de mouvements du sol générés par des séismes localisés sur les systèmes de faille environnants. De Martin, F., Almohamad, D., et Antoinet, E. (2022), Jumeau numérique sismique du barrage de Dumanoir (Guadeloupe) - Modèle en éléments finis spectraux. Rapport final . RP-71343-FR.
* 37 Comme celui de Teil en Ardèche, qui se situe à proximité de centrales nucléaires, ou celui de la vallée de Grenoble. Les résultats pourraient être ouverts au public à travers une communication sur le portail Géorisques.
* 38 Les référentiels géographiques de l'IGN seront mobilisés et évolueront au gré du projet afin d'y intégrer les informations les plus récentes, les plus précises et les mieux sémantisées possible, y compris quand il ne s'agit de pas de données ne relevant pas habituellement de cet opérateur (données socio-démographiques de l'Insee, données météorologiques ou encore données relatives à la mobilité par exemple). Ce socle commun de données sera accessible via une plateforme dédiée fournissant également accès à des ressources de calcul nécessaires pour exécuter les modèles de simulation.
* 39 « Destination Earth » (DestinE).
* 40 L'objectif est de pouvoir produire des projections à diverses échéances, jusqu'à plusieurs décennies, sur de multiples variables (température, précipitations, vagues de chaleur, évènements climatiques extrêmes) et d'accompagner la prise de décision. L'outil est conçu pour analyser, simuler et prévoir les effets du changement climatique avec une résolution très fine, à des échelles de quelques kilomètres (1 à 2 kilomètres), dépassant les capacités des modèles climatiques globaux traditionnels (10 à 100 kilomètres). Ceci permet d'analyser des phénomènes à des petites échelles comme les impacts locaux des vagues de chaleur ou des tempêtes. La fréquence de mise à jour des cycles de projections climatiques sera considérablement réduite, en passant de 7 à 10 ans actuellement à une mise à jour annuelle ou infra-annuelle à l'avenir.
* 41 https://minnd2050.fr/index.php/groupes-de-travail/gt-3-jumeaux-numeriques-de-territoires/
* 42 Expression de Frédéric Kaplan, professeur et directeur du collège d'humanités digitales de l'École polytechnique fédérale de Lausanne : https://actu.epfl.ch/news/cette-technologie-permet-de-simuler-ce-qui-se-pass/