Identification et filtrage du chaos océanique par Machine Learning

Laboratoire(s) de rattachement : IGE

Encadrant : Thierry Penduff

Co-encadrant : Redouane Lguensat

Niveau de formation & pré-requis : Ce stage s’adresse à un(e) étudiant(e) motivé(e), intéressé(e) par la physique océanique, l’analyse statistique innovante de simulations originales. Une expérience en Machine Learning n’est pas nécessaire, mais une bonne maîtrise des statistiques et de la programmation (Python) est demandée. L’encadrement sera composé d’un océanographe (TP) et d’un data scientist (RL). L’équipe MEOM fournira le soutien technique et scientifique nécessaire à cette étude.

Mots-clés : Océanographie Physique, Chaos, Intelligence Artificielle, Altimétrie Spatiale

Les simulations de la circulation océanique montrent que la variabilité de l’océan concerne une large gamme d’échelles spatio-temporelles, allant des tourbillons de mésoéchelle à la taille des bassins, de la journée à plusieurs décennies. Des simulations ensemblistes de l’océan global ont été réalisées à l’IGE, et montrent que la variabilité océanique est partiellement chaotique et partiellement forcée par la variabilité atmosphérique. En particulier, l’évolution temporelle apparaît bien plus chaotique et imprévisible à certaines échelles spatiales ( 120-800 km) qu’à d’autres, à toutes échelles de temps. Un outil de filtrage spatial simple a donc été développé, et permet déjà d’isoler convenablement la partie forcée de la variabilité océanique à partir de champs océaniques simulés, et observés par satellite.

L’objectif du stage est de rendre plus optimal l’algorithme de filtrage, afin de mieux séparer les variabilités océaniques chaotique et forcée à partir d’observations d’altimétrie spatiale. L’idée est d’entraîner une méthode de Machine Learning sur la base de nos simulations ensemblistes, pour construire un filtre plus efficace prenant en compte d’autres spécificités des variabilités forcée et chaotique (covariances, auto-corrélations, etc). La performance du filtre sera d’abord évaluée sur les données simulées, puis sur les données réelles. L’enjeu océanographique est de mieux mettre en lumière les contraintes effectives de l’atmosphère sur l’océan, l’enjeu technique est de développer les applications océanographiques de l’intelligence artificielle.

Pour plus d’information :
-  Simulation ensembliste : https://meom-group.github.io/projects/occiput/
-  Variabilité chaotique :
http://pp.ige-grenoble.fr/pageperso/pendufft/DOCUMENTS_RECHERCHE/JPO2018/Serazin2018.pdf

-  Deep Learning : http://www.personal.psu.edu/lxx6/DeepLearning.pdf

Pour candidater : Adresser un CV et une lettre de motivation par email à l’adresse ci-dessous :
thierry.penduff@cnrs.fr