Deep-Eddies : Deep Learning pour la détection des tourbillons océaniques

Deep-Eddies : Deep Learning for Oceanic Eddy Detection

• Auteur / Autrice : Evangelos Moschos
• Direction : Alexandre Stegner
• Type : Thèse de doctorat
• Discipline(s) : Ingénierie, mécanique et énergétique
• Date : Soutenance le 27/01/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de météorologie dynamique (Palaiseau, Essonne ; 1968-....) - Laboratoire de Météorologie Dynamique
• Jury : Président / Présidente : Sylvie Thiria
• Jury : Examinateurs / Examinatrices : Alexandre Stegner, Ronan Fablet, Guillaume Roullet, Olivier Schwander, Anastase Alexandre Charantonis, Marco Buongiorno Nardelli
• Jury : Rapporteurs / Rapporteuses : Ronan Fablet, Guillaume Roullet

Mots clés

Mots clés contrôlés

Océanographie

Mots clés libres

Océanographie

Apprentissage profond

Télédétection

Tourbillons

Vision par ordinateur

Maritime

Oceanography

Deep Learning

Remote Sensing

Eddies

Computer Vision

Maritime

Résumé

Les tourbillons océaniques sont des vortex cohérents qui piègent et font circuler dans l'océan des quantités importantes de chaleur, de sel et de nutriments. Plusieurs algorithmes de détection et de suivi des tourbillons sur l'altimétrie satellitaire ont été développés au cours des dernières années, avec de nombreuses applications de monitoring sous-jacentes. Bien que la détection des tourbillons par altimétrie ait permis de nombreuses avancées océanographiques, elle est limitée par la courte fauchée de ces satellites. Ceci conduit à une grande interpolation spatio-temporelle des champs produits et donc à une incertitude dans la détection des tourbillons. Dans le projet de thèse Deep Eddies, nous cherchons à exploiter le potentiel émergent du Deep Learning / Computer Vision appliqué à l'imagerie satellitaire de l'océan, comme les mesures infrarouges de la température de surface de la mer (SST), qui présentent des signatures complexes de tourbillons, par des spirales, des filaments et des gradients. Nous développons des architectures de réseaux de neurones convolutifs, entraînées sur de grands ensembles de données contenant des représentations de tourbillons, pour fournir une nouvelle méthode de détection des tourbillons en temps réel sur des images infrarouges. Notre méthode permet d'améliorer considérablement la précision de la détection des tourbillons par rapport aux méthodes de détection altimétrique standard, tout en étant robuste à la couverture nuageuse des images infrarouges. De plus, nous employons notre réseau de neurones pour détecter les tourbillons sur les images infrarouges, en combinaison avec la détection altimétrique standard, afin de valider les modèles océaniques opérationnels. Grâce à un grand ensemble de données de détection de tourbillons de référence fiables, validées par deux capteurs satellites indépendants, nous employons les contours des tourbillons comme un proxy en temps réel du champ de vitesse. De cette façon, nous pouvons comparer et choisir entre les produits de différents modèles opérationnels dans une certaine région et période.  Enfin, nous utilisons les grands ensembles de données collectées pour caractériser la signature SST des tourbillons dans la mer Méditerranée, afin de quantifier l'inversion des anomalies de température de surface des anticyclones et des cyclones. Nous expliquons ce phénomène physique à l'aide d'un simple model qui tient compte du mélange vertical. Nos recherches visent à répondre aux besoins des différents acteurs maritimes pour plusieurs applications telles que la surveillance de l'environnement, la pollution plastique, la pêche, la navigation et la défense.

Oceanic eddies are coherent vortices, trapping and circulating in the ocean large amounts of heat, salt and nutrients. Eddy detection and tracking algorithms on satellite altimetry have been developed during the last years, with many underlying monitoring applications. Although altimetric eddy detection has allowed many oceanographic advances, it Is limited by the short swath of these satellites. This leads to a large spatiotemporal interpolation of the produced fields and therefore uncertainty in eddy detection. In the Deep Eddies thesis project, we seek to harness the emerging potential of Deep Learning and Computer Vision applied on high-resolution satellite imagery of the ocean, such as infrared measurements of Sea Surface Temperature (SST), which contain complex eddy signatures, through swirls, filaments and gradients. We develop Convolutional Neural Network architectures, trained on large datasets of data containing eddy representations, to provide a novel method of real-time eddy detection on infrared images. Our method shows big improvement in the precision of eddy detection compared to standard altimetric detection methods, while being robust to cloud coverage of infrared images. Furthermore, we employ our Neural Network detecting eddies on infrared imagery, combined with standard altimetric detection in order to validate operational ocean models. Through a dataset of reliable reference eddy detections, validated by two independent satellite sensors, we use eddy contours as a real-time proxy of the velocity field. This way we can inter-compare and pick-and-choose between the outputs of different operational models in a certain region and period. Finally, we utilize the large datasets collected to characterize the SST signature of eddies in the Mediterranean Sea, quantifying the inversion of surface temperature anomalies of anticyclones and cyclones. We explain this physical phenomenon through a simple toy model accounting for vertical mixing. Our work seeks to respond to the needs of different maritime stakeholders for several applications such as environmental monitoring, plastic pollution, fishing, shipping and defense.