End-to-end learning of geophysically-sound CNN representations from satellite-derived observation datasets to better inform sea surface dynamics

CONTRACT : Ph.D.

DURATION : 36 months

WORKING TIME : Full-time

EXPERIENCE : Entry Level

EDUCATION LEVEL : Master’s Degree, MA/MS/MSc

Contexte

Les technologies, modèles et stratégies d'intelligence artificielle (IA) ouvrent de nouveaux paradigmes pour la modélisation, simulation, prévision et reconstruction de systèmes complexes, y compris les dynamiques océan-atmosphère-climat. En raison notamment de l'échantillonnage spatio-temporel irrégulier des données d'observation de la terre (que ce soit des observations spatiales ou in situ), la plupart des stratégies d'IA envisagées reposent sur un apprentissage à partir de données de simulation, ce qui peut limiter leur application pour des processus/échelles qui restent mal résolus actuellement (e.g., sous mésoéchelle, extrêmes...).

Mission

L'objectif général de ce projet de thèse est de développer de nouveaux modèles et algorithmes d’IA permettant d’exploiter pleinement lors des phases d’apprentissage les masses de données d’observation disponibles avec pour enjeu spécifique l’observation des dynamiques océaniques aux petites échelles par la mission SWOT (Surface Water and Ocean Topography). D’un point de vue méthodologique, en nous basant sur des CNNs (Convolutional Neural Nnetwork), nous proposons de formuler ce défi comme un apprentissage conjoint “end-to-end” d'une représentation dite latente des processus géophysiques considérés et du schéma d'inversion. Dans le contexte de la mission SWOT, ce cadre méthodologique permettra d’aborder deux questions thématiques concernant (i) la capacité à apprendre de nouvelles représentations des processus géophysiques à partir de données d’observation, (ii) la capacité à informer les dynamiques océaniques passées et futures à partir de snapshots haute-résolution de ces dynamiques.  Cette thèse sera mise en œuvre dans le cadre du projet Melody (ANR MN 2020-2022) avec de fortes interactions entre Lab-STICC (R. Fablet), LOPS (B. Chapron), IGE/MEOM (J. Le Sommer), OceanNext (S. Leroux) et OceanDataLab (L. Gaultier). Elle exploitera et contribuera aux études de cas liées à SWOT dans Melody, par exemple la séparation onde-courant, les produits SLA L4 dérivés de SWOT. Au-delà d’expériences numériques de type OSSE (Observing System Simulation Experiment), la thèse analysera les données réelles acquises lors de la phase initiale dite de “fast sampling” de la mission SWOT.

Candidature