Apport de l’hybridation des modèles de dynamiques géophysiques par des méthodes de machine learning et leur utilisation en assimilation de données satellites

Laboratoire(s) de rattachement : IGE

Encadrant : Redouane Lguensat

Co-encadrant : Sammy Metref

Niveau de formation & pré-requis : Le/la stagiaire aura de préférence suivi une formation ou des cours en analyse numérique et en dynamique des fluides géophysiques ou en océanographie. Une bonne tolérance à l’environnement numérique est indispensable.

Mots-clés : Deep learning, ocean dynamics, altimetry, data assimilation

Sujet :
Les dernières avancées en apprentissage automatique (Machine Learning), et plus spécialement d’une sous classe appelée “apprentissage profond” (Deep Learning), ont permis d’atteindre des performances remarquables dans plusieurs domaines de traitement de signal et d’image.

Ce stage s’inscrit dans la lignée des idées d’exploration de l’apport des méthodes Deep Learning pour le domaine de la modélisation numérique. Une des applications menée par l’équipe MEOM consiste à construire des modèles numériques hybrides qui combinent des méthodes Deep Learning et des équations dynamiques. Une tentative fructueuse a déjà été mise en place au sein de l’équipe MEOM en remplaçant une partie du coeur d’un modèle quasi-géostrophique (QG) par une composante de Deep Learning qui, au terme d’un apprentissage, modélise le lien entre la vorticité et la hauteur de la mer.

Dans un premier temps, le/la stagiaire aura pour objectif — après s’être approprié le modèle QG purement dynamique ainsi que le modèle QG hybride dynamique-apprentissage — de mener une étude comparative sur les trajectoires générées par ces deux modèles à l’aide de diagnostics spatiaux et spectraux. Dans un deuxième temps, le/la stagiaire devra développer une généralisation du modèle hybride afin de mieux gérer les régions côtières lors de l’apprentissage. Enfin, le/la stagiaire aura pour tâche de comparer l’impact de ces modèles dans un contexte d’assimilation de données satellites de hauteur de la mer (SWOT) grâce à un package d’assimilation développé au sein de l’équipe MEOM (“swotda”).

Ce stage permettra à l’étudiant.e. de travailler à l’interface entre l’intelligence artificielle et les géosciences. Il/Elle bénéficiera des expertises variées au sein de l’équipe MEOM. Les connaissances développées pour ce stage toucheront à la fois les domaines du machine learning, de la modélisation numérique et de l’assimilation des données.

Outils :
- Python (packages : Keras, ModelQG, scuba, swotda ...)
- Environnement Jupyter notebook
- Outils de partage et de développement numérique (GitHub, GitLab …)

Encadrants :
- Redouane Lguensat
- Sammy Metref
- Emmanuel Cosme
- Julien Le Sommer

Bibliographie :
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436
- Asch, M., Bocquet, M., & Nodet, M. (2016). Data assimilation : methods, algorithms, and applications (Vol. 11). SIAM.

Pour candidater : Adresser un CV et une lettre de motivation par email à l’adresse ci-dessous :
redouane.lguensat univ-grenoble-alpes.fr