02/12/2024 14:00 - ENPC, Amphithéâtre Caquot 1 (batiment Coriolis)

Description

Titre : Deep learning, data assimilation and sea-ice dynamics

Résumé

Les régions polaires, véritable thermostat de la Terre, subissent des transformations rapides dues au changement climatique, avec la glace de mer comme indicateur clé. La glace de mer influence les températures globales, la circulation océanique et soutient les écosystèmes ainsi que les communautés humaines. Prédire l'évolution de la glace de mer est crucial mais difficile en raison de ses interactions complexes avec l'atmosphère et l'océan. L’évolution de la glace de mer implique des processus thermodynamiques, mécaniques et de dynamique des fluides, qui sont difficiles à modéliser.
D’une part, l'apprentissage profond a émergé comme un outil puissant pour modéliser des relations complexes dans de grands ensembles de données, montrant son potentiel à capturer des motifs à une fraction du coût de calcul des modèles géophysiques. Dans la modélisation de la glace de mer, l'apprentissage profond peut améliorer les prévisions, compléter les modèles traditionnels et même potentiellement les remplacer. Bien que ces approches soient encore en développement, elles offrent un potentiel pour les prévisions de glace de mer à un coût de calcul modéré. D’autre part, l'assimilation de données, qui intègre des observations dans des modèles numériques, est largement utilisée en météorologie et en océanographie pour améliorer les prévisions.
Fusionner l'apprentissage profond avec l'assimilation de données offre une approche prometteuse pour la modélisation de la glace de mer. En combinant des méthodes basées sur les données et sur les observations, cette thèse vise à proposer de nouvelles méthodes de prévision de la glace de mer, allant au-delà de l’état de l’art et ouvrant la voie à l'amélioration des systèmes de prévision de la glace de mer.
Dans cette thèse, nous utilisons l'apprentissage profond pour émuler neXtSIM, le modèle de glace de mer développé par le projet SASIP, et évaluer son utilisation dans l'assimilation de données variationnelle. Plus précisément, nous développons un modèle capable de prédire l'épaisseur de la glace de mer dans tout l'Arctique, montrant une amélioration allant jusqu'à 50 % de l'erreur de prévision par rapport à une prévision par persistance, avec une stabilité maintenue sur plusieurs mois. Des résultats similaires sont obtenus pour l'émulation de la concentration de glace de mer, avec une amélioration allant jusqu'à 20 % par rapport à la persistance en termes de compétences de prévision.
Ensuite, en assimilant des données simulées via des techniques d'assimilation de données variationnelles (4D-Var), nous démontrons les capacités d'un nouveau système 4D-Var basé sur l'émulateur développé. Ces méthodes, rarement appliquées à la modélisation de la glace de mer, nécessitent l'adjoint du modèle, qui peut être automatiquement calculé avec des modèles d'apprentissage profond. En assimilant des observations réelles, le système de 4D-Var développé atteint des performances comparables à celles du système de prévision opérationnel neXtSIM-F. Ces résultats ouvrent la voie à des systèmes 4D-Var innovants pour les modèles de glace de mer.

Le jury sera composé de :

Claire Monteleoni, INRIA Présidente du jury
Laure Raynaud, CNRM Rapporteure
Martin Vancopoenolle, LOCEAN/IPSL Rapporteur
Pierre Rampal, IGE/CNRS Examinateur
Laurent Bertino, NERSC Examinateur
Marc Bocquet, CEREA (ENPC) Directeur de thèse