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.

Publications 2020-2024

• 2024
  • Th. Archambault, A. Filoche, A. Charantonis, D. Béréziat : “Pre-training and Fine-tuning Attention Based Encoder Decoder Improves Sea Surface Height Multi-variate Inpainting”, VISAPP 2024 - 19^th International Conference on Computer Vision Theory and Applications, Roma, Italy (2024)
  • Th. Archambault, A. Filoche, A. Charantonis, D. Béréziat, S. Thiria : “Learning Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations”, James, Journal of Advancing in Modeling Earth Syst, vol. 16 (6), pp. e2023ms004047, (AGU) (2024)
• 2023
  • A. Filoche, J. Brajard, A. Charantonis, D. Béréziat : “Learning 4DVAR inversion directly from observations”, Workshop on Machine Learning and Data Assimilation for Dynamical Systems (MLDADS), International Conference on Computational Science (ICCS), Prague, Czechia (2023)
  • Th. Archambault, A. Filoche, A. Charantonis, D. Béréziat : “Multimodal Unsupervised Spatio-Temporal Interpolation of satellite ocean altimetry maps”, Proceedings of the 18^th International Conference on Computer Vision Theory and Applications, Lisboa, Portugal (2023)
• 2022
  • A. Filoche : “Variational Data Assimilation with Deep Prior. Application to Geophysical Motion Estimation”, soutenance de thèse, soutenance 30/11/2022, direction de recherche Béréziat, Dominique, co-encadrement : Charantonis, Anastase, Brajard, Julien (2022)
  • A. Filoche, Th. Archambault, A. Charantonis, D. Béréziat : “Statistics-free interpolation of ocean observations with deep spatio-temporal prior”, ECML/PKDD Workshop on Machine Learning for Earth Observation and Prediction (MACLEAN), Grenoble, France (2022)
  • A. Filoche, D. Béréziat : “Simultaneous Assimilation and Downscaling of Simulated Sea Surface Heights with Deep Image Prior”, RFIAP (Congrès Reconnaissance des Formes, Image, Apprentissage et Perception), Vannes, France (2022)
  • A. Filoche, D. Béréziat, A. Charantonis : “Deep prior in variational assimilation to estimate ocean circulation without explicit regularization”, Climate Informatics, Asheville, NC, United States (2022)
  • Th. Archambault, A. Filoche, A. Charantonis, D. Béréziat : “Unlearned Downscaling of sea surface height with Deep Image Prior”, IA for Earth Sciences Workshop The International Conference on Learning Representations (ICLR), Virtual conference, United States (2022)
• 2021
  • A. Filoche, D. Béréziat, J. Brajard, A. Charantonis : “Variational assimilation of Geophysical images leveraging deep learning tools”, ORASIS 2021, Saint Ferréol, France (2021)
  • V. Bouget, D. Béréziat, J. Brajard, A. Charantonis, A. Filoche : “Fusion of Rain Radar Images and Wind Forecasts in a Deep Learning Model Applied to Rain Nowcasting”, Remote Sensing, vol. 13 (2), pp. 246, (MDPI) (2021)
• 2020
  • A. Filoche, J. Brajard, A. Charantonis, D. Béréziat : “Completing physics-based models by learning hidden dynamics through data assimilation”, NeurIPS 2020, workshop AI4Earth, Vancouver (virtual), Canada (2020)