Assimilation des dynamiques spatio-temporelles de la turbidité par synergie entre mesures satellitaires de la couleur de l'eau et simulations hydrodynamiques

Assimilation of spatio-temporal dynamics of turbidity by combining satellite measurements of ocean color and hydrodynamic simulations

• Auteur / Autrice : Jean-Marie Vient
• Direction : Christophe Delacourt, Ronan Fablet
• Type : Thèse de doctorat
• Discipline(s) : Observation de l'environnement marin et traitement de l'information
• Date : Soutenance le 08/12/2022
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la mer et du littoral (Plouzané)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Géo-Océan (Plouzané, Finistère)
• Jury : Président / Présidente : Thomas Corpetti
• Jury : Examinateurs / Examinatrices : Christophe Delacourt, Ronan Fablet, Thomas Corpetti, Aida Alvera Azcarate, Audrey Roman, Frédéric Jourdin, Malik Chami, Héloïse Muller
• Jury : Rapporteurs / Rapporteuses : Aida Alvera Azcarate, Audrey Roman

Mots clés

Mots clés contrôlés

Sédiments en suspension

Sédiments (géologie) -- Transport

Mots clés libres

Turbidité

Réseaux de neurones

Assimilation de données

Forçages océaniques

Turbidity

Neural networks

Data assimilation

Oceanic forcing

Résumé

La caractérisation de la dynamique des sédiments en suspension dans l’océan fournit des informations essentielles pour les études scientifiques et les besoins opérationnels.En raison de l’interaction complexe entre les forçages naturels et anthropiques, la compréhension et la surveillance de la dynamique des sédiments en suspension restent très difficiles. Les schémas classiques d’analyse de données qu’ils soient in-situ, observés par satellites ou modélisés doivent jongler avec de nombreuses incertitudes et approximations.Cette thèse explore les capacités des méthodes de réseaux de neurones à combiner les approches et les types de données pour aboutir à de meilleures reconstructions.Dans cette thèse est mise en œuvre la méthode 4DVarNet, basée sur une formulation d’assimilation de données, mais dans une architecture de réseaux de neurones. Cette méthode est comparée et évaluée dans plusieurs cas de figures (interpolation et prévision) qui montrent des résultats très encourageants concernant sa capacité à produire des reconstructions pertinentes et de qualité supérieure aux méthodes classiques. Ces résultats permettent de discuter de l’importance des forçages océaniques et des mesures pour pouvoir améliorer la caractérisation des dynamiques de l’océan.

Characterization of suspended sediment dynamics in the ocean provides essential information for scientific studies and operational challenges. Due to the complex interaction between natural and anthropogenic forcings, understanding and monitoring suspended sediment dynamics remains very challenging.Conventional data analysis schemes whether in-situ, satellite observed or modeled must juggle with many uncertainties and approximations.This thesis explores the capabilities of neural network methods to combine approaches and data types to achieve better reconstructions. In this thesis the 4DVar-Net method is implemented, based on a data assimilation formulation but in a neural network architecture. This method is compared and evaluated in several cases (interpolation and forecasting) which show very encouraging results regarding its ability to produce relevant reconstructions of higher quality than classical methods. These results allow us to discuss the importance of oceanic forcing and measurements to better characterize ocean dynamics.