Atelier national sur les nuages polaires

24/06/2025 09:00

SIRTA / ICEO : Journée Scientifique 2025

24/06/2025 09:00

Evénement de clôture projet FAIR-EASE

12/06/2025 09:00

Bridging observation, theory and numerical simulation of the ocean using Machine Learning

25/05/2021 11:00

This talk aims at showing some of the recent advancements in using Machine Learning for ocean modeling, it is also an opportunity to discuss the promising research avenues that can bring together ML researchers and ocean modelers.

À l'origine des fleuves dans les Andes semi-arides : le rôle hydrologique des glaciers rocheux et des tourbières vu par les méthodes hydrogéophysiques et isotopiques

07/05/2021 12:00

Dans les Andes semi-aride du Chili, les glaciers rocheux sont d’une importance majeure, car ils délivrent de l’eau aux saisons les plus critiques. Ils sont de plus prépondérants par rapport aux glaciers blancs dans cette région des Andes.

Interactions nuages-poussières-dynamique atmosphérique : le rôle des Ondes d'Est Africaines dans la formation des cyclones tropicaux dans l'Atlantique

11/09/2025 14:00

Les Cyclones Tropicaux (TCs) comptent parmi les phénomènes météorologiques les plus mortels et ils provoquent des impacts socio-économiques majeurs. Pourtant, leur prévision est toujours un défi. Dans l’Atlantique, 75% des TCs se forment à partir d’Ondes d’Est Africaines (AEWs), mais seule une fraction de ces ondes donne naissance à un cyclone. Cette thèse vise à mieux comprendre la dynamique des AEWs, leurs interactions avec les autres ondes tropicales et avec les poussières sahariennes dans le contexte de la cyclogenèse.

L’analyse s’appuie sur des données de réanalyses, des données satellites, des mesures in-situ et sur les données issues de la campagne CADDIWA (Cap Vert, Septembre 2021). Une nouvelle méthode de filtration a été développée pour permettre de mieux isoler les AEWs qui se propagent au nord du jet d’est Africain de celles qui se propagent au sud. Cette méthode améliore leur détection et révèle des interactions fréquentes qui favorisent le développement de TCs par la formation de structures verticales cohérentes.

L’interaction entre les AEWs et la mousson africaine a aussi été mise en évidence comme un chemin de cyclogenèse potentiel. Tous ces processus influencent l’admission de poussières dans les tempêtes naissantes. Des analyses de sensibilité ont été conduites sur des simulations de la Tempête Tropicale Rose pour étudier l’impact des poussières sur la phase d’intensification. Sans être le facteur dominant, les poussières influencent la microphysique nuageuse de manière complexe et non linéaire.

Des études complémentaires sont nécessaires pour améliorer la compréhension de l’impact des poussières sur la cyclogenèse.

Intégration de l’identité et de la diversité fonctionnelle dans un modèle de surface terrestre : une étude de la productivité et de la stabilité d’un écosystème dans un contexte de changement climatique

19/09/2025 09:30

---

Terrestrial vegetation plays a key role in climate regulation through the absorption of atmospheric CO₂. Land surface models, such as the ORCHIDEE model, represent vegetation using fixed parameters in space and time based on plant functional types. This approach neglects the functional identity and diversity within ecosystems. This limitation is particularly pronounced for permanent grasslands, which are hotspots of biodiversity.

In this thesis, I introduced functional metrics at the plant community level to improve the representation of productivity and stability of French permanent grasslands over the period 1960–2099:

• Spatial variability of traits: I studied the impact of trait maps (SLA, leaf nitrogen, leaf lifespan) on simulated productivity.
• Functional identity and temporal stability: I analyzed the influence of community-weighted mean traits (CWM) on grassland productivity and stability, both in the past and under future climate scenarios.
• Temporal Trait adaptation: I tested different hypotheses regarding the evolution of physiological traits (SLA, Vcmax).

This PhD work demonstrates the feasibility of integrating functional identity and diversity into ORCHIDEE. These advancements enhance the prediction of productivity and stability in permanent grasslands, thereby helping to reduce uncertainties regarding ecosystem responses in the context of climate change.

monstrates that it is possible to integrate functional identity and diversity into ORCHIDEE. These advances improve predictions of grassland productivity and stability, by reducing uncertainties about ecosystem responses and supporting sustainable land management and biodiversity conservation.

Machine learning pour la modélisation du climat : potentiel et écueils

03/07/2025 13:30

Machine learning pour la modélisation du climat : potentiel et écueils

Un modèle de circulation générale atmosphérique contient à la fois une partie dynamique résolvant les équations de la mécanique des fluides atmosphériques et une partie dite « physique » regroupant les représentations de processus sous-maille ou complémentaires à la dynamique atmosphérique (par exemple : rayonnement, nuages, turbulence, précipitation). Ces représentations sont nommées paramétrisations. Fondées sur des approches heuristiques, phénoménologiques et empiriques, ces paramétrisations requièrent un temps de calcul conséquent. L’essor des techniques de machine learning ouvre de nouvelles voies pour représenter ces processus physiques. Notamment, le développement d’émulateurs basés sur des architectures de réseaux de neurones permet de remplacer partiellement ou totalement les paramétrisations existantes d’un modèle. Il est démontré que l’utilisation de ce type de technique améliore les performances de calcul.

Ma thèse s’inscrit pleinement dans ce cadre comme en témoigne la problématique qu’elle explore, à savoir : dans quelle mesure est-il possible de développer un émulateur robuste, rapide et précis des paramétrisations physiques du modèle de l’IPSL ? Ce travail repose sur des simulations numériques réalisées à partir de la composante atmosphérique nommée ICOLMDZ (pour DYNAMICO et LMDZ) du modèle de climat développé par l’Institut Pierre-Simon Laplace (IPSL). Ces simulations sont effectuées sur une configuration idéalisée de type aquaplanète et également sur une configuration réaliste. Après avoir défini le problème d’apprentissage, construit les jeux de données et prétraités les données, plusieurs architectures de réseaux de neurones ont été développés et testés, en mode offline, dans le but d’émuler la totalité des paramétrisations, i.e. la composante de la physique atmosphérique LMDZ. Les premiers résultats d’émulation ont mis en exergue les facilités des émulateurs à reproduire fidèlement la physique de notre modèle, mais également les difficultés qu’ils ont rencontrées, notamment en termes de représentation de la variabilité. Cela a conduit à une étude approfondie des processus physiques en jeu, mettant ainsi en lumière l’origine des difficultés auxquelles se heurtent nos émulateurs. En conséquence, de nouveaux prédicteurs ont été intégrés dans le processus d’apprentissage dans le but d’apporter une certaine connaissance physique à l’émulateur. Cette nouvelle contribution s’est révélée être bénéfique pour la qualité de nos résultats. Cependant, l’utilisation de tels émulateurs pour remplacer les paramétrisations soulève des questions fondamentales notamment en termes de généralisation du processus d’émulation à des conditions météorologiques qui n’ont pas été vues par l’émulateur. Cette question, qui porte sur la capacité des émulateurs à inférer et à s’adapter à de nouveaux états du système, a été étudiée dans le cadre d’expériences liées au changement climatique. Les résultats s’avèrent prometteurs et illustrent le rôle important des variables physiques latentes ajoutées.

Cette thèse met en évidence le potentiel que présente l’utilisation d’un émulateur pour remplacer les paramétrisations physiques de la composante atmosphérique ICOLMDZ. Il a notamment été démontré que l’ajout de connaissances physiques dans le processus d’apprentissage améliore les résultats, ce qui suggère un approfondissement sur la contribution de nouveaux prédicteurs physiques. Finalement, cette étude encourage le couplage d’un des émulateurs avec DYNAMICO afin d’évaluer au mieux la pertinence du processus d’apprentissage tout en analysant la stabilité des simulations obtenues.

 

 

---

Potential and pitfalls of using machine learning in climate modelling

An atmospheric general circulation model contains both a dynamics part, which solves the equations of atmospheric fluid mechanics, and a component commonly referred to as « physics », which includes representations of sub-grid or complementary processes to atmospheric dynamics (e.g. radiation, clouds, turbulence, precipitation). These representations are called parameterizations. Based on heuristic, phenomenological and empirical approaches, these parameterizations require considerable computing resources. The rise of machine learning techniques opens up new ways to represent these physical processes. In particular, the development of emulators based on neural networks enables partial or total substitution of the existing parameterizations of a model. It has been demonstrated that the use of such techniques improves computational efficiency.

My thesis is fully aligned with this framework, as illustrated by the research question it investigates, namely: to what extent is it possible to develop a robust, fast and accurate emulator of the physical parameterizations of the IPSL model? This work is based on numerical simulations carried out using the atmospheric component named ICOLMDZ (for DYNAMICO and LMDZ) of the climate model developed by the Institut Pierre-Simon Laplace (IPSL). These simulations are performed on an idealized aquaplanet configuration, as well as on a realistic setup. After defining the learning problem, building the datasets, and preprocessing the data, several neural network architectures were developed and tested, in offline mode, with the aim of emulating all the parameterizations, i.e. the LMDZ atmospheric physics component. The initial results of the emulation have revealed the ease to faithfully reproduce the physics of our model, but also the difficulties they faced, particularly in terms of representing variability. This led to a thorough study of the physical processes involved, thus identifying the origin of the difficulties encountered by our emulators. Consequently, new predictors were integrated into the learning process in order to add physical knowledge to the emulator. This new contribution proved to be beneficial for the quality of our results. However, the use of such emulators to replace parameterizations raises fundamental questions, particularly in terms of the generalization of the emulation process to meteorological conditions not seen by the emulator. This question, which relates to the ability of emulators to infer and adapt to new system states, has been studied in experiments linked to climate change. The results are promising and demonstrate the crucial role of added physical latent variables.

This thesis highlights the potential of using an emulator to replace the physical parameterizations of the atmospheric component ICOLMDZ. In particular, it has been shown that adding physical knowledge into the learning process improves results, which suggests a deeper investigation into the contribution of new physical predictors. Finally, this study encourages the coupling of emulators with DYNAMICO in order to best assess the relevance of the learning process, while analyzing the stability of the simulations obtained.