Retourner à la liste

EDDY-DEEP

Description

Depuis la «révolution Topex-Poséidon» en 1992 qui a mis en évidence l’importance des structures tourbillonnaires dans la dynamique océanique, de nombreux algorithmes de détection et de suivi tourbillonnaire à partir de cartes altimétriques multi-satellites (Figure 1a) ont été développés (Sadarjoen et al., 2000 ; Isern- Fontanet et al., 2003; Morrow et al., 2004; Chelton et al., 2007 ; Chaigneau et al., 2008 ; Chaigneau et al., 2009 ; Nencioli et al., 2010 ; Chelton et al., 2011 ; Mason et al. 2014 ; Mkhinini et al. 2014 ; Le Vu et al. 2018a). Depuis, d’autres méthodes de détection, qui cherchent à identifier les signatures des tourbillons en localisant les fronts et les gradients sur les images de température de surface (SST) ou de chlorophylle (CHL) ont été testées (Fernandes and Nascimento, 2006; D’Alimonte, 2009 ; Dong et al. 2011 ; Isern-Fontanet et al. 2014). Cependant, il n’existe pas de méthodes de détection et de suivi tourbillonnaire entièrement fiable car chaque type de données satellite à ses avantages et ses inconvénients. L’imagerie visible (Figures 1a), peut avoir une très haute résolution spatiale (1km <) mais elle est affectée par la couverture nuageuse ou les flux de chaleurs engendrés par les vents forts. Des produits SST composites, agrègent des images sur plusieurs jours et « gomment » les effets de la couverture nuageuse mais dans ce cas les gradients sont lissés et la résolution spatio-temporelle dégradée. Inversement, les cartes altimétriques sont à plus basse résolution et parfois imprécises mais elles restent peu modifiées par les conditions météorologiques ce qui permet un suivi continu de la surface océanique et des vitesses géostrophiques de surface. Ces produits altimétriques permettent aujourd’hui, à l'aide d'algorithme de détection et de suivi des tourbillons, de suivre sur plusieurs mois et parfois des années (Mkhinini et al. 2014, Ioannou et al. 2017, Laxenaire et al. 2018) les structures méso échelle et d’établir des statistiques globales (Chelton et al., 2011) sur les caractéristiques des tourbillons détectés. Cette identification permet de retracer les transports sur de longues distances des masses d’eaux piégées. Cependant, il arrive assez souvent que des structures de méso échelle, qui ont une signature sur les images visibles (Figure 1a), ne soient pas détectés par les algorithmes de détection et de suivi tourbillonnaires car leur signature sur les produits AVISO/DUACS est trop faible, voire inexistante, à cause d’un déficit local de traces altimétriques (Figure 1b). Nous avons estimé à l’aide d’une étude OSSE (Le Vu et al. 2018b) qu’avec le produit AVISO/DUACS Méditerranée, grillé au 1/8°, le taux de tourbillons de méso-échelle (R>18km) non détecté pouvait atteindre 25-30%. Une autre étude récente (Amores et al. 2018), basée sur des simulations à haute résolution capable de reproduire des petits tourbillons de sous méso-échelle a montré que le taux de non détection pouvait atteindre 80%.

Or, à ce jour, il n’existe aucune méthode qui combine les données altimétriques et les images visibles pour détecter et caractériser les structures tourbillonnaires.  L’utilisation conjointe, de ces multiples bases de données satellitaire (altimétrie, SST, CHL) par un algorithme adapté permettrait de compenser les biais de chaque observable et d’identifier des tourbillons dans une plus grande gamme d’échelle mais surtout de caractériser plus finement les caractéristiques dynamiques et physiques ainsi que la signature des interactions air-mer sur la SST des tourbillons de surface.

Les diverses méthodes objectives de détection tourbillonnaire sont relativement robustes sur les données issues de l’altimétrie si la densité de traces altimétrique est suffisante par rapport à la taille du tourbillon. Cependant, celles basées sur les images SST ou CHL ne sont pas toujours fiables ou reproductibles. Des tourbillons anticycloniques peuvent par exemple avoir une signature de surface avec un centre chaud ou froid selon le forçage atmosphérique. C’est sur ce type d’observables visibles ainsi que la combinaison de celles-ci avec les produits altimétriques que l’utilisation de méthodes basées sur l’apprentissage profond (‘deep learning’) peuvent conduire à une réelle avancée. Cette thèse se fera donc en collaboration avec le LIP6, qui a une expertise reconnue en intelligence artificielle, les méthodes d’apprentissage profond et ses applications en géoscience (A. Pajot et al. 2016; A. Ziat et al. 2017; E. de Bezenac et al. 2018 I. Ayed 2018). La thèse se fera en co-direction entre A.Stegner (LMD) et P. Gallinari (LIP6). L’étudiant sélectionné partagera son temps entre les deux laboratoires (60% /40%).

Construction de la base de données d’apprentissage

Une étape indispensable pour construire une base de donnés d’apprentissage est de sélectionner des zones, sur les images visibles (SST ou CHL), ou la signature de surface des tourbillons est forte et fiable. Nous avons développé tout récemment un critère de fiabilité sur la détection tourbillonnaire à partir des données altimétriques qui permettra de filtrer les fausses détections. Ceci nous permet de sélectionner, parmi les tourbillons détectés à l’aide de l’algorithme AMEDA (Le Vu et al. 2018) appliqué aux champs AVISO/DUACS en méditerranée (https://www1.lmd.polytechnique.fr/dyned/), plusieurs dizaines de milliers de tourbillons dont la fiabilité est supérieure à 95%. La localisation des centres tourbillonnaires et l’estimation de leur taille permettra de « découper » sur les nombreuses images visibles disponibles (NPP VIIRS , SST, CHL ) les zones correspondantes.

On testera ensuite, par une analyse de gradients, si une signature tourbillonnaire est présente. On pourra à ce stade trier les images visibles par le taux de couverture nuageuse et/ou utiliser directement des champs d’image composites sans nuages. Ceci permettra de constituer une large base de données d’images (SST, CHL) présentant une signature tourbillonnaire pour la phase d’apprentissage.

Apprentissage supervisé (méthode Deep Learning)

A partir de la base d’images obtenu précédemment, la phase d’apprentissage par construction de réseaux neuronaux profond sera effectuée. Il s’agira ici de définir un modèle neuronal permettant de  classifier de façon automatique une vignette image (ou une série d’images) centré sur une anomalie caractéristique de SST ou CHL si, il s’agit d’un tourbillon au cœur chaud, au cœur froid ou bien si ce n’est pas un tourbillon. Même si l’apprentissage sera réalisé sur des tourbillons de méso échelle nous espérons que le réseau de neurone sera également capable d’identifier et classifier des structures de plus petites tailles ayant une signature visible de même nature. La signature visible des tourbillons étant principalement induit par l’advection de traceurs par les champs de vitesse en surface cela doit garantir un principe d’auto-similarité sur une large gamme d’échelle.

Localisation spatiale et suivi temporel des structures (méthode Deep Learning)

Un autre verrou à lever consiste à localiser individuellement les différentes structures tourbillonnaires sur une image (ou série d’images) qui peuvent contenir plusieurs dizaines voire une centaine de signatures tourbillonnaires.  Nous avons déjà pu tester, lors d’un stage de M2, une technique de « scanning » de l‘image qui permet de localiser le centre des tourbillons en utilisant une fenêtre de taille fixe. Ces résultats préliminaires devront être développés et validé. L’amélioration de la méthode sera de réaliser un « scanning » itératif avec une série de fenêtres de tailles décroissantes afin de localiser les structures de méso échelle mais également de sous méso échelle.

Caractérisation et suivi temporel des caractéristiques dynamique et physique des tourbillons

Cette étape qui vise à combiner deux méthodes de détection indépendantes, une méthode objective à partir de l’algorithme AMEDA utilisant les cartes altimétriques AVISO/DUACS et une méthode « subjective » basée sur l’apprentissage profond utilisant les images visibles (SST et CHL) constituera le cœur de l’innovation apporté par cette thèse. Le suivi d’une structure sera faîte de façon parallèle et conjointe pour combler les erreurs de détection lorsqu’une des deux méthodes n’est plus fiable par manque de données. Inversement, lorsque les deux approches sont concordantes (altimétrie et signature visible) un poids maximum sera donné à l’indice de fiabilité attaché à chaque tourbillon.

Signature des interactions air-mer sur l’anomalie de SST au coeur et autour des tourbillons.

De forts changements dans l’anomalie de SST pour le même tourbillon peuvent être observés selon les saisons, la stratification de surface et l’épaisseur de la couche de mélange. Le même anticyclone peut par exemple avoir une signature de surface avec un centre chaud ou froid selon la période considéré (Garreau et al. 2018). Cette étape consistera à quantifier pour quelques structures tourbillonnaires de longue durée de vie (> 1 an) ces variations et identifier les forçages atmosphériques responsables de ces diverses signatures.

Confrontation et validation de la démarche avec des données in-situ.

Dans la mesure du temps restant disponible des comparaisons avec des données in-situ obtenus en Méditerranée lors des campagnes PROTEVS (2015, 2016, 2017), PROTEVS-PERLE (2018) et pré-SWOT (Mai 2018) seront réalisées.

Profil

Le candidat recherché aura une expertise de la dynamique océanique et des interactions air-mer. Issu d’un des masters spécialisé dans ce domaine (master MOCIS de Paris Sorbonne Université, master WAPE ou CLEAR de l’Université Paris-Saclay, Master Marine Science UBO, IUEM Brest, …)

le candidat passera 40% de son temps au LIP6 pour se familiariser avec les méthodes d’apprentissage profond (deep learning) et devra donc avoir une appétence pour l’analyse de données et le développement de nouveaux outils informatiques.

Description de la structure
Laboratoire d'accueil : LMD, Palaiseau
Directeur(rice) de thèse/recherche : STEGNER Alexandre
E-mail du directeur(rice) de thèse/recherche : astegner@lmd.polytechnique.fr
Responsable Cnes de l'offre : LIFERMANN Anne

Pour postuler à cette offre, nous vous invitons à vous rapprocher du directeur/rice de thèse et compléter avec son aide la partie cofinancement  du formulaire en ligne (Répondre à l’offre)  pour le 1er avril 2019.

Répondre à l'offre Retourner à la liste