Algorithmie et méthodes d'apprentissage automatique pour les sciences environnementales - IMT Atlantique Accéder directement au contenu
Hdr Année : 2023

Algorithmie et méthodes d'apprentissage automatique pour les sciences environnementales

Résumé

Environmental sciences are characterized by processes that are complex to model, with sparse and incomplete data, and with uncertainties that are difficult to quantify. Data assimilation is based on a mathematical formalism taking into account these different aspects, with the aim of estimating the state of the system, in order to make the best possible forecasts in the future. Machine learning methods, when coupled with data assimilation, show interesting capacities to take into account many concepts: parameter estimation, emulation and selection of dynamical models, spatio-temporal interpolations, discovery of latent variables, quantification of uncertainties, etc. In this work, I synthesize my research work around these different aspects from concrete examples in different fields: oceanography, meteorology and climate. The emblematic examples are the interpolation of satellite data of sea surface temperature, the estimation of parameters in an atmospheric subgrid-scale parameterization, the proofs of concept on the Lorenz chaotic systems, the selection of climatic models, the prediction of major climatic indices, etc. I also express new avenues of research around the collapse of local biodiversity, through recent collaborations with ecologists and environmental associations.
Les sciences environnementales se caractérisent par des processus complexes à modéliser, des données éparses et incomplètes, le tout entaché d’incertitudes difficiles à quantifier. L’assimilation de données se base sur un formalisme mathématique permettant de prendre en compte ces différents aspects, dans le but de prédire l’état du système étudié, afin de faire les meilleures prévisions possibles dans le futur. Les méthodes d’apprentissage automatique, lorsqu’elles sont couplées avec l’assimilation de données, montrent des capacités intéressantes à prendre en compte de nombreux concepts : estimation de paramètres, émulation et sélection de modèles dynamiques, interpolation spatio-temporelle de données, découverte de variables latentes, quantification d’incertitudes, etc. Dans ce travail pour l'obtention de l’HDR, je synthétise mes travaux de recherche autour de ces différents aspects en s’appuyant sur des exemples concrets dans différents domaines : océanographie, météorologie et climat. Les exemples emblématiques sont l’interpolation de données satellitaires de température de surface des océans, l’estimation de paramètres dans un processus sous-maille atmosphérique, des preuves de concept sur des systèmes chaotiques de Lorenz, la sélection de modèles climatiques, la prédiction d’indices climatiques majeurs, etc. Dans cette HDR, j’exprime également de nouvelles pistes de recherche autour de problématiques liées à l’effondrement de la biodiversité locale, via la collaboration récente avec des écologues et le monde associatif.
Fichier principal
Vignette du fichier
manuscrit_HDR.pdf (33.71 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04466800 , version 1 (19-02-2024)

Licence

Paternité

Identifiants

  • HAL Id : tel-04466800 , version 1

Citer

Pierre Tandeo. Algorithmie et méthodes d'apprentissage automatique pour les sciences environnementales. Océan, Atmosphère. Université de Bretagne Occidentale, 2023. ⟨tel-04466800⟩
25 Consultations
11 Téléchargements

Partager

Gmail Facebook X LinkedIn More