FILOCHE Arthur

Docteur
Équipe : PEQUAN
Date de départ : 30/11/2022
https://lip6.fr/Arthur.Filoche

Direction de recherche : Dominique BÉRÉZIAT

Co-encadrement : CHARANTONIS Anastase, BRAJARD Julien

Assimilation de données variationelle avec a priori profond. Applications a l'estimation de mouvements géophysiques

La récente résurgence de l'apprentissage profond a bouleversé l'état de l'art dans bon nombre de domaines scientifiques manipulant des données en grande dimension. En particulier, la disponibilité et la flexibilité des algorithmes ont permis d'automatiser la résolution de divers problèmes inverses, apprenant des estimateurs directement des données. Ce changement de paradigme n'a pas échappé à la recherche en prévision météorologique numérique. Cependant, les problématiques inhérentes aux géosciences comme l'imperfection des données et l'absence de vérité terrain compliquent l'application directe des méthodes d'apprentissage. Les algorithmes classiques d'assimilation de données, cadrant ces problèmes et permettant d'inclure des connaissances physiques, restent à l'heure actuelle les méthodes de choix dans les centres de prévision météorologique opérationnels.
Dans cette thèse, nous étudions expérimentalement l'hybridation d'algorithmes combinant apprentissage profond et assimilation de données, avec pour objectif de corriger des erreurs de prévisions dues à l'incomplétude des modèles physiques ou à la méconnaissance des conditions initiales. Premièrement, nous mettons en évidence les similitudes et nuances entre assimilation de données variationnelle et apprentissage profond. Suivant l'état de l'art, nous exploitons la complémentarité des deux approches dans un algorithme itératif pour ensuite proposer une méthode d'apprentissage de bout en bout. Dans un second temps, nous abordons le cœur de la thèse : l'assimilation de données variationnelle avec a priori profond, régularisant des estimateurs classiques avec des réseaux de neurones convolutionnels. L'idée est déclinée dans différents algorithmes incluant interpolation optimale, 4DVAR avec fortes et faibles contraintes, assimilation et super-résolution ou estimation d'incertitude simultanée. Nous concluons avec des perspectives sur les hybridations proposées.

Soutenance : 30/11/2022

Membres du jury :

Marc Bocquet, École des Ponts ParisTech [rapporteur]
Ronan Fablet, IMT Atlantique [rapporteur]
Isabelle Bloch, Sorbonne Université
Olivier Talagrand, École Normale Supérieure
Anastase Charantonis, ENSIEE
Julien Brajard, Nansen Environmental and Remote Sensing Center
Dominique Béréziat, Sorbonne Université

Date de départ : 30/11/2022

Publications 2020-2024

Mentions légales
Carte du site