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).

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.

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.