Deep learning based physical-statistics modeling of ocean dynamics
Modélisation physico-statistique de la dynamique des océans basée sur l'apprentissage profond
Résumé
The modeling of dynamical phenomena in geophysics and climate is based on a deep understanding of the underlying physics, described in the form of PDEs, and on their resolution by numerical models. The ever-increasing number of observations of physical systems, the recent rise of deep learning and the huge computational power required by numerical solvers, which hinders the resolution of existing models, suggest that the future of physical models could be data-driven. But for this prognosis to come true, deep learning must tackle several challenges, such as the interpretability and physical consistency of deep models, still largely under-addressed by the deep learning community.In this thesis, we address both challenges: we study the prediction of sea surface temperature (SST) using hybrid models combining a data-driven and a physical model. Ensuring the physical plausibility of hybrid models necessitates well-posing their learning: otherwise, the high versatility of neural networks may lead the data-driven part to bypass the physical part.Our study is divided into two parts: a theoretical study on hybrid models, and a practical confrontation of our model on simulations of real data. First, we propose a new generic well- posed learning framework based on the optimization of an upper-bound of a prediction error. Second, we study real-like ocean observations of SST and velocity fields from the Gulf Stream current in the North Atlantic (from the NATL60 model). This application highlights the challenges raised by confronting physics aware learning to the complexity of real-world physics. It also raises issues such as model generalization, which we discuss as a possible perspective.
La modélisation des phénomènes dynamiques en géophysique repose sur une compréhension de la physique sous-jacente, décrite sous la forme d'EDP, et sur leur résolution par des modèles numériques. Le nombre croissant d'observations de systèmes physiques, l'essor récent de l'apprentissage profond et l'énorme puissance de calcul requise par les solveurs numériques, qui entrave la résolution des modèles existants, suggèrent que l'avenir des modèles physiques pourrait être orienté données. Mais pour cela, l'apprentissage profond doit relever plusieurs défis, tels que l'interprétabilité et la cohérence physique des modèles, qui sont encore largement sous-estimés par la communauté de l'apprentissage profond. Dans cette thèse, nous étudions la prédiction de la température de surface de la mer (SST) à l'aide de modèles hybrides, combinant un modèle physique et un modèle orienté données (un réseau de neurones). Assurer la plausibilité physique des modèles hybrides nécessite de bien poser leur apprentissage : sinon, la grande versatilité des réseaux neuronaux peut conduire la partie orientée données à contourner le modèle physique. Notre étude est divisée en deux parties : une étude théorique sur les modèles hybrides et une confrontation pratique de notre modèle à des simulations de données réelles. Tout d'abord, nous proposons un nouveau cadre générique d'apprentissage bien posé basé sur l'optimisation d'une borne supérieure de l'erreur de prédiction. Deuxièmement, nous étudions des observations océaniques réelles de la SST et des champs de vitesse du courant Gulf Stream dans l'Atlantique Nord (à partir du modèle NATL60). Cette application met en évidence les défis posés par la confrontation de l'apprentissage automatique de phénomènes physiques à la complexité de la physique du monde réel.
| Origine | Version validée par le jury (STAR) |
|---|