La récente résurgence de l’apprentissage profond a bouleversé l’état de
l’art dans bon nombre de domaines scientifiques manipulant des données
en grande dimension. En particulier, la disponibilité et la flexibilité
des algorithmes ont permis d’automatiser la résolution de divers
problèmes inverses, apprenant des estimateurs directement des données.
Ce changement de paradigme n’a pas échappé à la recherche en prévision
météorologique numérique. Cependant, les problématiques inhérentes aux
géosciences comme l’imperfection des données et l’absence de vérité
terrain compliquent l’application directe des méthodes d’apprentissage.
Les algorithmes classiques d’assimilation de données, cadrant ces
problèmes et permettant d’inclure des connaissances physiques, restent à
l’heure actuelle les méthodes de choix dans les centres de prévision
météorologique opérationnels.

Dans cette thèse, nous étudions expérimentalement l’hybridation
d’algorithmes combinant apprentissage profond et assimilation de
données, avec pour objectif de corriger des erreurs de prévisions dues à
l’incomplétude des modèles physiques ou à la méconnaissance des
conditions initiales. Premièrement, nous mettons en évidence les
similitudes et nuances entre assimilation de données variationnelle et
apprentissage profond. Suivant l’état de l’art, nous exploitons la
complémentarité des deux approches dans un algorithme itératif pour
ensuite proposer une méthode d’apprentissage de bout-en-bout. Dans un
second temps, nous abordons le cœur de la thèse : l’assimilation de
données variationnelle avec a priori profond, régularisant des
estimateurs classiques avec des réseaux de neurones convolutionnels.
L’idée est déclinée dans différents algorithmes incluant interpolation
optimale, 4DVAR avec fortes et faibles contraintes, assimilation et
super-résolution ou estimation d’incertitude simultanées. Nous concluons
avec des perspectives sur les hybridations proposées.

Le groupe IA et Climat (AI4climate.lip6.fr) réunit des chercheurs de l’IPSL et le LIP6 impliqués dans la recherche pluridisciplinaire concernant l’utilisation des méthodes d’intelligence Artificielle dans les sciences de l’environnement et du climat. Cette initiative est soutenue par le groupe de travail SAMA (Statistiques pour l’analyse, la modélisation et l’assimilation) de l’IPSL.

La version actuelle du manuscrit est disponible à cette adresse:
https://drive.google.com/file/d/16SHnQj_Ys_IK8gK7JCWZZUI9h2ym5pXG/view

Contributions associées:
https://hal.archives-ouvertes.fr/search/index/?q=arthur+filoche&sort=producedDate_tdate+desc

La soutenance se déroulera en français et aura lieu le mercredi 30 Novembre à 14h00 (heure de Paris) en format hybride :

– Dans la salle de séminaire du Sorbonne Center for Artificical Intelligence, où un pot s’en suivra.
SCAI (Bâtiment Esclangon, plan joint), Campus Marie et Pierre Curie, Sorbonne Université, 4 place Jussieu, 75005 Paris.

– En ligne sur Zoom, en utilisant le lien suivant:
https://cnrs.zoom.us/j/99150511706?pwd=cmIyb21zK25wK3hJcmZYdjRwTkNHQT09

Isabelle Bloch, Sorbonne Université (examinatrice

Olivier Talagrand, École Normale Supérieure (examinateur)

Marc Bocquet, École des Ponts ParisTech (rapporteur)

Ronan Fablet, IMT Atlantique (rapporteur)

Anastase Charantonis, ENSIEE (co-encadrant)

Julien Brajard, Nansen Environmental and Remote Sensing Center
(co-encadrant)

Dominique Béréziat, Sorbonne Université (directeur)