Stage – Incertitudes sur le contenu en chaleur de l’océan par Deep Learning

Magellium Artal Group, avec ses 300 collaborateurs, est un acteur indépendant, spécialisé sur la chaîne de valorisation de la donnée de télédétection (du capteur satellite ou drone jusqu’à son utilisation dans les systèmes et les services d’observation de la terre, la cartographie et la Géointelligence) qui promeut la maîtrise des technologies spatiales, du logiciel, du traitement de signal et de la géomatique.

Dans le cadre de ses activités en observation de la Terre, Magellium intervient dans des projets et des études d’observation satellitaire mettant en œuvre des compétences scientifiques dans les domaines de la télédétection, de la physique de la mesure, des corrections atmosphériques ou des algorithmes de restitution des paramètres géophysiques.

Au sein de l’unité observation de la Terre (https://earthobservation.magellium.com/), Magellium développe également des compétences scientifiques en lien avec les laboratoires dans divers domaines applicatifs liés aux grandes problématiques du système Terre, en produisant des données et des études sur les principales variables environnementales à diverses échelles spatiales et temporelles.

Les activités conduisent le plus souvent à effectuer des traitements de données géophysiques, en extraire les principaux signaux d’intérêt pour effectuer des études en partenariat avec les laboratoires scientifiques pertinents sur ces domaines.

En particulier, une expertise forte et spécifique dans le traitement des données d’observation spatiale de la Terre pour l’étude du changement climatique s’est développée depuis plusieurs années, visant à spécifier, générer et valider des indicateurs tels que l’évolution du contenu en chaleur des océans ou encore le déséquilibre énergétique la Terre à partir des données spatiales géodésiques (altimétriques et gravimétriques) :

https://www.aviso.altimetry.fr/en/data/products/ocean-indicators-products/ocean-heat-content-and-earth-energy-imbalance.html

Contexte

Par son large volume et son importante capacité calorifique, l’océan a un potentiel d’emmagasinement d’énergie sous forme de chaleur très important. Le contenu en chaleur de l’océan (ocean heat content, OHC) est par conséquent une variable importante pour l’étude du réchauffement climatique.

Les variations temporelles du contenu en chaleur de l’océan global aux échelles interannuelles et plus reflètent le déséquilibre radiatif au sommet de l’atmosphère terrestre. En effet, avec l’augmentation des concentrations en gaz à effet de serre, la Terre ne réémet pas autant d’énergie vers l’espace qu’elle n’en reçoit du soleil et la majeure partie de l’énergie conservée en excès se retrouve dans l’océan. (von Schuckmann et al., 2020).

Le contenu en chaleur de l’océan peut être déterminé avec différentes approches qui peuvent utiliser des modèles océaniques, des mesures in situ de température et de salinité, l’altimétrie et la gravimétrie spatiale. Plusieurs méthodes de Machine Learning ont également été développées pour tenter de dépasser les limitations de ces approches.

Les méthodes de Deep Learning sont de plus en plus répandues dans les applications scientifiques et ont permis des avancées scientifiques significatives ces dernières années. Le domaine de la recherche scientifique sur l’évolution du climat requiert de prendre en compte finement les incertitudes à la fois sur les données utilisées mais aussi sur les traitements appliqués aux données.

La métrologie, qui est l’étude de la caractérisation et de la propagation des incertitudes, est à présent répandue dans les études scientifiques sur le climat, mais est assez peu évoquée lorsque ces études mettent en œuvre du Deep Learning. En parallèle, des études théoriques sur les incertitudes des réseaux de neurones se sont développées, sans systématiquement être reliées à des cas d’étude pratiques.

La part croissante d’études scientifiques sur le climat utilisant des réseaux de neurones implique de faire concorder ces deux domaines et d’appliquer concrètement aux études scientifiques les théories développées.

Sujet

L’objectif principal du stage est d’appliquer des techniques d’estimation des incertitudes dans les réseaux de neurones à une application concrète d’étude scientifique sur le climat. Plus précisément, il s’agira de déterminer les incertitudes associées à un modèle de Deep Learning d’estimation du contenu en chaleur de l’océan.

Le stage s’organisera en plusieurs étapes :

• Se familiariser avec l’estimation du contenu en chaleur de l’océan et avec les approches développées à Magellium,
• Se familiariser avec les grands principes de métrologie et les applications aux sujets de l’équipe,
• Faire une étude bibliographique des méthodes existantes (méthodes ensemblistes, méthodes déterministes, réseaux bayésiens, etc.) et des outils sur étagère (TorchUncertainty, Lightning-UQ-Box, etc.) d’estimation des incertitudes dans les réseaux de neurones,
• Appliquer ces méthodes à un réseau d’estimation de l’OHC ; il conviendra notamment de caractériser et de distinguer les diverses sources d’incertitudes (incertitudes des données d’entrée, incertitudes des poids du réseau, incertitudes du choix de l’architecture, etc.),
• Etendre à d’autres applications en lien avec les sujets de l’équipe.

En fonction des résultats obtenus, ces travaux pourront être valorisés dans des conférences scientifiques.