Les modèles climato-économiques intégrés à grande échelle impliquent généralement de nombreux paramètres sous-jacents. Chacun de ces paramètres présente un degré d'incertitude différent, certains résultant d'estimations économétriques utilisant des données historiques, d'autres provenant de mesurage expérimental des relations physiques et atmosphériques. En raison de la nature intrinsèquement non linéaire de ces modèles, il est souvent impossible d'utiliser les méthodes traditionnelles d'analyse de sensibilité locale basées sur la statique comparative pour comprendre l'effet d'un paramètre particulier sur le résultat du modèle. À l'inverse, le coût de calcul élevé des modèles rend impraticable l'utilisation de méthodes en simulation basées sur la variance pour l'analyse de sensibilité globale. Par conséquent, nous explorons l'utilisation de méthodes d'apprentissage automatique pour comprendre et quantifier l'influence de multiples paramètres, en tenant pleinement compte des non-linéarités, tout en restant réalisable sur le plan informatique. Nous illustrons ces techniques dans le contexte d'un modèle climato-économique « stock-flow » cohérent actuel.