Cette thèse de doctorat porte sur la reconstruction d’images satellites de la surface de l’océan à partir de mesures éparses et bruitées. Son objectif est l’estimation de la hauteur de la mer (SSH), une variable importante pour approximer les courants de surface. Elle est actuellement mesurée par des altimètres pointant au nadir, laissant de nombreuses zones non observées. Les cartes complètes de SSH sont produites en utilisant des interpolations optimales linéaires présentant une faible résolution effective. D’autre part, la température de surface de la mer (SST) est observée sur des zones plus étendues et est physiquement liée aux courants géostrophiques à travers l’advection.
Cette thèse explore quelques algorithmes d’apprentissage profond pour estimer les champs de SSH. En s’appuyant sur des années de données de simulation et d’observations, les réseaux neuronaux profonds sont capables d’apprendre des relations complexes entre les variables SSH et SST. Nous utilisons ces algorithmes ainsi que les observations de température, pour reconstruire la SSH d’abord dans une perspective de réduction d’échelle sur une simulation physique. Ensuite, nous déconsidérons le problème de son interpolation sur des données de simulation et d’observation, en nous concentrant particulièrement sur la manière de transférer l’apprentissage dans des contextes opérationnels. Enfin, nous adaptons notre méthode pour produire des estimations en temps réel et des prévisions.