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.

Lieu
ENPC
6 et 8 avenue Blaise- Pascal  – Cité Descartes –
Champs-sur-Marne – 77455 Marne-la-Vallée
Amphithéâtre Caquot 1 (bâtiment Coriolis)

En visio
https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZjI1NjBjNWQtMjU1OC00YWI1LTljOTktMzE4ZTExMTFkZTQ0%40thread.v2/0?context=%7b%22Tid%22%3a%22cbc292d3-d274-4204-9169-16847b678004%22%2c%22Oid%22%3a%22442cc5d9-9bf0-48ef-8482-bfd4d66eaac5%22%7d

• 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