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

Climate change and the ecosystem approach to management in the Southern Ocean

14/11/2023 11:00

Séminaire du LOCEAN.

Ma thèse en 5 memes (2nde édition)

13/11/2023 14:30

Seconde édition du concours « Ma thèse en 5 memes »

Économie de la transition et Capitalisme vert

10/11/2023 14:00

Nouvelle séance du séminaire « Changement Climatique : Sciences, Sociétés, Politique » co-organisé par le Centre Alexandre-Koyré (EHESS-CNRS) et l’ENS (CERES).

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.

Apprentissage statistique pour les modèles climatiques

04/12/2024 10:00

Apprentissage statistique pour les modèles climatiques

Les modèles climatiques peinent à représenter précisément les structures de circulation atmosphérique liées aux événements extrêmes, et notamment leurs variations régionales. Cette thèse explore comment l’Allocation Latente de Dirichlet (LDA), une méthode d’apprentissage statistique issue du traitement du langage naturel, peut être utilisée pour évaluer la représentation par modèles climatiques de données telles que la pression au niveau de la mer (SLP). La LDA identifie un jeu de structures locales (ou motifs) à l’échelle synoptique, interprétables physiquement comme des cyclones et des anticyclones. La même base de motifs peut servir à décrire les données issues des modèles et des réanalyses, permettant de représenter toute carte SLP par une combinaison parcimonieuse de ces motifs. Les coefficients, ou poids, de ces combinaisons fournissent une information locale sur la configuration synoptique de la circulation. Les analyser permet de caractériser la structure de la circulation dans les réanalyses et les modèles, et ainsi d’identifier localement des biais globaux ou spécifiques aux événements extrêmes. Une erreur dynamique globale peut être définie à partir des différences de poids des données modèles avec les réanalyses.

Cette méthodologie a été appliquée à quatre modèles de CMIP6. Bien que les modèles représentent correctement en général la circulation à grande échelle, leurs erreurs sont plus élevées pour les vagues de froid et de chaleur. Une source d’erreur dans tous les modèles est liée aux motifs méditerranéens. Des critères d’évaluation supplémentaires ont été proposés. L’un s’appuie sur la fréquence d’apparition des motifs dans la représentation des cartes de pression. L’autre consiste à combiner l’erreur dynamique globale avec l’erreur de température, ce qui permet de différentier entre les modèles. Ces résultats démontrent le potentiel de la LDA pour l’évaluation et la préselection des modèles.

 

---

 

Statistical Learning for Climate Models

Climate models face challenges in accurately representing atmospheric circulation patterns related to extreme weather events, especially regarding regional variability. This thesis explores how Latent Dirichlet Allocation (LDA), a statistical learning method originating from natural language processing, can be adapted to evaluate the ability of climate models to represent data such as SeaLevel Pressure (SLP). LDA identifies a set of local synoptic-scale structures, physically interpretable as cyclones and anticyclones, referred to as motifs. A common basis of motifs can be used to describe reanalysis and model data so that any SLP map can be represented as a sparse combination of these motifs. The motif weights provide local information on the synoptic configuration of circulation. By analyzing the weights, we can characterize circulation patterns in both reanalysis data and models, allowing us to identify local biases, both in general data and during extreme events. A global dynamic error can be defined for each model run based on the differences between the average weights of the run and reanalysis data.

This methodology was applied to four CMIP6 models. While large-scale circulation is well predicted by all models on average, higher errors are found for heatwaves and cold spells. In general, a major source of error is found to be associated with Mediterranean motifs, for all models. Additional evaluation criteria were considered: one was based on the frequency of motifs in the sparse map representation. Another one involved combining the global dynamic error with the temperature error, thus making it possible to discriminate between models. These results show the potential of LDA for model evaluation and preselection.

Modeling the Dynamics of Water and CO2 Ice on the Planet Mars

21/11/2024 14:00

Mars is surrounded by a thin atmosphere composed mostly of CO₂ with a small amount of water. Every night and every winter, CO₂ and water can locally condense as frost. In the geologically recent past, when the obliquity of Mars was larger, the Martian atmosphere was enriched in water and a perennial mantle of water ice formed from the poles to the mid-latitudes. When the obliquity decreased again, these ices sublimated and got buried under a lag deposit in the Martian subsurface, while much of the atmospheric CO₂ condensed at the poles to form massive glaciers. Today, we can observe the remains of these periods via the water ice buried in the subsurface at mid-latitudes and the perennial CO₂ cap at the South Pole. This thesis aims to improve our understanding of the stability and dynamics of these ices over time, from the diurnal cycle to the million-year scale. I used space observations and, even more, numerical models such as the global climate model « Mars Planetary Climate Model » (PCM) and the new « Planetary Evolution Model » (PEM) for which I actively invested to develop new capabilities.

In a first study, by comparing the different pressure data acquired on the surface of Mars by space probes over the last 50 years, I proved that the average mass of the Martian atmosphere had not varied at these scales and therefore that the perennial CO₂ cap had a neutral mass balance. I then showed that the diurnal cycle of CO₂ frost formation in dusty areas could prevent dust from aggregating, maintaining the presence of reservoirs of mobilizable dust on the surface.

At the same time, I developed a new numerical tool for modeling microclimates on Martian slopes within the PCM and then the PEM.This tool is able to predict the presence of Martian ice on cold slopes in agreement with the detections from orbit. In a dedicated study, using observations from the THEMIS visible and thermal camera and this new model, I showed that the water frost accumulating on these slopes cannot melt in the current climate. It may eventually form brines if this frost is in contact with a significant amount of salts.

I then studied the stability of water ice in the subsurface. In particular, I proved that buried water ice at tropical latitudes under poleward slopes was not stable. The presence of such a buried water ice had previously been presented as essential to explain the absence of seasonal CO₂ ice on these slopes, because of its high thermal inertia. However, my model showed that this absence of CO₂ ice could also be explained by atmospheric heat transport, previously neglected. By adapting a new comprehensive model of exchange between permafrost and the Martian atmosphere, I revisited the effect of the water cycle and near-surface atmospheric conditions on the stability of buried ice. In parallel, we reconstructed the history of buried water ice in the mid-latitude subsurface and suggested that it may be a remnant of the last ice ages of 630,000 years ago. Finally, as for the surface frost, I showed that this buried water ice could not melt, even under the most favorable conditions we could imagine for Mars: the case where a ground flow suddenly exposes the underground ice to solar heating.

In a final study, using the new « Planetary Evolution Model », I simulated the formation of CO₂ glaciers when the entire atmosphere condenses in the polar regions during periods of low obliquity. By decreasing the obliquity from the current value of 25.2° to 15°, I showed that the mean pressure drops to a value of 250 Pa. The humidity of the atmosphere is reduced to a few precipitable microns. Massive CO₂ glaciers form on poleward slopes at high latitudes. Despite the loss of more than half of the Martian atmosphere, CO₂ remains the major component. This work constitutes a new step in our understanding of Martian paleoclimates and in particular of the geological activity induced by recent climatic variations.