Derrière les étoiles ou différentes façons de voir un soleil

28/03/2025 12:30

Projets du GIEC et liens avec les prises de décision en matière de climat

24/03/2025 16:30

Arts et sciences face au changement climatique et à la transition écologique

24/03/2025 09:00

Eddy Detecting Neural Networks: harnessing visible satellite imagery and altimetry for operational oceanography

11/05/2022 14:00

Our next seminar will be held on wednesday the 11th of May, at 14h00 ECT, at the Pierre et Marie Curie campus of Sorbonne Université, in the SCAI seminar room lockated on the first floor of the Esclangon building

Abrupt transition to superrotation in an idealized GCM with terrestrial parameters

10/05/2022 14:00

Pablo Zurita travaille à l’Universidad Complutense de Madrid.

Une campagne d'été en Antarctique

21/04/2022 11:00

Ce séminaire racontera trois mois de campagne de recherche en Antarctique en 2019-2020 (juste avant le COVID) dans le cadre du projet de recherche CALVA créé par Christophe Genthon.

Évaluation des impacts régionaux du changement climatique et soutien à l'élaboration de stratégies d'adaptation : le cas du risque de feux de forêt dans le sud-ouest de la France

25/11/2024 14:00

The reality of climate change is no longer in question. It is now widely accepted that we must not only reduce greenhouse gas emissions but also adapt to climate change, as some effects are unavoidable. However, these two goals can be achieved through different ways. Mitigating climate change can be effectively addressed through a top-down approach, such as by international agreements. Adaptation, on the other hand, is more effective through a bottom-up approach. Adapting a region requires considering a wide range of environmental, social, and economic interests. It is therefore essential to co-develop measures with stakeholders that account for local specificities. We need to narrow the gap between climate science and information needed for local adaptation. The aim of this thesis is to develop a bottom-up approach to pursue research that can provide local stakeholders useful climate information for adaptation.

We chose the Nouvelle-Aquitaine Region in France as our case study. In addition to traditional literature review to identify regional impacts of climate change, we also interviewed stakeholders to understand the local specificities, and the information that decision-makers would need to better anticipate climate risks. The pronounced seasonal hydrological cycle presents a significant challenge, particularly in the Landes Forest. The region experiences winter flooding and summer droughts. However, the interests of local stakeholders diverge regarding the strategies to adopt. This led us to develop a comprehensive analytical framework to assess the evolution of climate conditions, enabling the anticipation of various impacts affecting different stakeholders. It provides a common knowledge base from which we can initiate discussions to co-construct compromise solutions. Applied to southwestern France, this analytical framework reveals that extreme hot and dry conditions could become the norm by the end of the century. Such conditions are particularly conducive to the development of wildfires. For this reason, and because fire risk is one of the region’s major concerns, the second part of this thesis focuses on understanding and assessing the evolution of wildfire risk.

We studied firstly the role of climate change in the occurrence of the exceptional wildfires during the summer of 2022 in the region. We developed an index specifically designed to assess long-term climate drivers of wildfires, particularly compound hot and dry conditions. This index complements the commonly used Fire Weather Index (FWI). We found that anthropogenic climate change has doubled the likelihood of conditions such as those experienced in the summer of 2022. Finally, we assessed the evolution of fire risk using the newly developed index and the FWI under three climate warming scenarios. Results demonstrate the benefits of mitigating global warming. In the most pessimistic scenario, extreme hot and dry conditions that are currently propitious to wildfires could become the norm by the end of the century. In the most optimistic scenario, the probability of occurrence of such conditions increases to a much lesser extent. These findings also highlight the importance of implementing adaptation strategies, as the probability of conditions favourable to wildfires increases in all scenarios.

Overall, this PhD thesis offers a dual contribution. Methodologically, we developed research directions based on the need for climate information expressed by local stakeholders. We developed indices for the specific case of wildfires, which could also be adapted to other impacts. From an operational perspective, we provide local decision-makers with climate information to help them better anticipate the impacts of climate change. This work will be further developed, as several avenues for future research have been identified.

Vers une représentation à l'échelle globale du microclimat forestier dans le modèle de surfaces continentales ORCHIDEE

29/11/2024 14:00

Les dynamiques temporelles et spatiales des échanges entre les surfaces continentales et l’atmosphère sont en grande partie contrôlées par la végétation. Dans un contexte de changement climatique, la précision de la modélisation des bilans d’énergie, d’eau et de dioxyde de carbone des écosystèmes dans les modèles de surfaces continentales revêt ainsi d’un double enjeu : elle permet d’améliorer la représentation des échanges entre les surfaces et l’atmosphère et, par conséquent, d’améliorer la fiabilité des modèles de climats ; et elle permet également de comprendre et de quantifier l’impact du changement climatique sur le fonctionnement des écosystèmes végétaux.

Dans la majorité des modèles, la structure de la végétation est simplifiée, considérée équivalente à une surface d’épaisseur infinitésimale échangeant de l’eau, de l’énergie et des composés avec l’atmosphère (modèle de type « grosse-feuille »). La dynamique complexe des échanges au sein des écosystèmes végétaux, et particulièrement des forêts, incluant le microclimat intra-canopée, reste très mal ou pas représentée dans les modèles actuels. Ce microclimat joue cependant un rôle important dans la régulation des échanges d’énergie et de masse entre la végétation et l’atmosphère et son évolution dans un contexte de changement climatiques est méconnue.

Cette étude présente les premières étapes effectuées dans le modèle ORCHIDEE (composante de surface du modèle de climat de l’IPSL) pour l’étude de ce microclimat intra-canopée à l’échelle globale. La représentation simpliste de type « grosse-feuille » utilisée dans ORCHIDEE est remplacée par un modèle d’échanges d’eau et d’énergie au sein de la canopée (suivant une discrétisation verticale). L’intégration de ce modèle est effectuée en deux étapes. La première s’attache à la représentation du transport de l’eau dans le continuum sol-plante-atmosphère et a pour objectif de contraindre les échanges feuille-atmosphère grâce à l’état hydrique de la végétation. Ce travail s’appuie sur une représentation du potentiel hydrique dans les différents compartiments de la plante (i.e. architecture hydraulique). Cette intégration est étudiée de manière détaillée à l’échelle du site avant une étude d’impact globale.

La seconde étape consiste à la mise à jour, la mise à niveau et l’amélioration d’un modèle d’échanges d’eau et d’énergie multi-couches entre la végétation et l’atmosphère précédemment implémenté dans une branche d’ORCHIDEE. L’évaluation de ce modèle est effectuée à l’échelle des sites forestiers en comparaison du modèle d’écosystèmes MuSICA sur une base de données crée à cet effet. La comparaison des gradients de température intra-canopée simulés et observés est très encourageante. Elle a aussi permis d’identifier des pistes pour l’amélioration globale du modèle. Enfin, des perspectives sont discutées pour une utilisation de ces modèles à l’échelle globale et notamment pour simuler l’évolution du microclimat sous une canopée forestière en fonction du changement climatique et des pratiques forestières.

 

---

 

The temporal and spatial dynamics of exchanges between continental surfaces and the atmosphere are largely controlled by vegetation. In the context of climate change, accurately modeling the energy, water, and carbon dioxide balances of ecosystems in land surface models presents a dual challenge: it improves the representation of exchanges between surfaces and the atmosphere, thereby enhancing the reliability of climate models; and it also helps to understand and quantify the impact of climate change on the functioning of plant ecosystems. In most models, the structure of vegetation is simplified, treated as equivalent to an infinitesimal thickness surface exchanging water, energy, and compounds with the atmosphere (a « big-leaf » model). The complex dynamics of exchanges within plant ecosystems, particularly forests, including the intra-canopy microclimate, remain poorly represented or not represented at all in current models. However, this microclimate plays a crucial role in regulating energy and mass exchanges between vegetation and the atmosphere, and its evolution in the context of climate change is not well understood.

This study presents the first steps taken in the ORCHIDEE model (the land surface component of the IPSL climate model) to study this intra-canopy microclimate at a global scale. The simplistic « big-leaf » representation used in ORCHIDEE is replaced by a model of water and energy exchanges within the canopy (following vertical discretization). The integration of this model is carried out in two stages. The first focuses on representing water transport in the soil-plant-atmosphere continuum and aims to constrain leaf-atmosphere exchanges based on the water status of the vegetation. This work relies on a representation of water potential in the different compartments of the plant (i.e., hydraulic architecture). This integration is studied in detail at the site scale before conducting a global impact study.

The second step involves updating, upgrading, and improving a multi-layer model of water and energy exchanges between vegetation and the atmosphere previously implemented in a branch of ORCHIDEE. The evaluation of this model is conducted at the scale of forest sites in comparison to the MuSICA ecosystem model based on a database created for this purpose. The comparison of simulated and observed intra-canopy temperature gradients is very encouraging. It has also helped to identify avenues for the overall improvement of the model. Finally, prospects are discussed for using these models at a global scale, particularly to simulate the evolution of microclimate under a forest canopy in relation to climate change and forestry practices.

Deep learning, data assimilation and sea-ice dynamics

02/12/2024 14:00

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.

 

---

 

The polar regions, Earth’s natural thermostat, are undergoing rapid transformations due to climate change, with sea ice being a key indicator. Sea ice influences global temperatures, ocean circulation, and supports ecosystems and human communities. Predicting the sea-ice evolution is crucial but challenging due to its complex interactions with the atmosphere and ocean. The evolution of sea-ice depends on thermodynamic processes, mechanics, and fluid dynamics, which are challenging to model.
On the one hand, deep learning has emerged as a powerful tool for modeling complex relationships in large datasets, showing promise in capturing patterns at a fraction of the computational cost of physics-based modeling. In sea-ice modeling, deep learning can enhance predictions, complement geophysical models and even potentially replace the models. Although still developing, these approaches offer potential for sea-ice forecasts at a moderate computational cost. On the other hand, data assimilation, which combines observational data with prediction models, is widely used in meteorology and oceanography to improve predictions.

Merging deep learning with data assimilation offers a promising approach to sea-ice modeling. By combining data-driven and observation-based methods, this thesis aims to propose new methods for sea-ice prediction, which go beyond the state-of-the-art and enable a path forward to improve sea-ice prediction systems.

In this thesis, we use deep learning to emulate neXtSIM, the sea-ice model developed by the SASIP project, and evaluate its use in variational data assimilation. Specifically, we develop a model capable of predicting the sea-ice thickness across the entire Arctic, showing improvements of up to 50% in forecast error over a persistence forecast, with stability maintained across several months. Similar results hold when the sea-ice concentration is emulated with improvement up to 20% over persistence in forecast skills.

Next, by assimilating simulated data in a four-dimensional variational data assimilation scheme (4D-Var), we demonstrate the capabilities of a novel 4D-Var system built on the developed emulator. These methods, rarely applied in sea-ice modeling, require the model’s adjoint, which can be automatically computed with deep learning models. When ingesting real observations, our data assimilation system performs on par with the operational neXtSIM-F sea-ice forecasting system. These results pave the way for innovative 4D-Var systems for sea-ice models.