🎓Soutenance de thèse Rachid EL MONTASSIR
Mardi 26 novembre 2024
Salle JCA, Cerfacs, Toulouse, France
Approche hybride Physique-IA pour la prévision immédiate de la couverture nuageuse
https://youtube.com/live/aXdXZDu5kTE?feature=share
[Subject to defense authorization]
SDU2E : École doctorale ED173 “Sciences de l'Univers, de l'Environnement et de l'Espace
Les modèles traditionnels de prĂ©visions numĂ©rique du temps sont efficaces mais coĂ»teux en calcul et peinent Ă faire des prĂ©dictions Ă petite Ă©chelle, tandis que les modèles basĂ©s sur les donnĂ©es sont prometteurs mais manquent souvent de cohĂ©rence physique et de gĂ©nĂ©ralisation. Ce travail aborde les limites des mĂ©thodes traditionnelles d’apprentissage profond dans la production de rĂ©sultats rĂ©alistes et physiquement cohĂ©rents qui peuvent se gĂ©nĂ©raliser Ă des donnĂ©es invisibles. Dans cette thèse, nous explorons des mĂ©thodes hybrides qui cherchent Ă concilier la prĂ©cision des mĂ©thodes de premier principe avec la puissance d’exploitation des donnĂ©es des techniques d’apprentissage, en nous concentrant sur la prĂ©vision immĂ©diate de la couverture nuageuse, en utilisant des images satellites avec classification des types de nuages.
L’approche proposĂ©e, nommĂ©e HyPhAICC, impose un comportement physique basĂ© sur l’advection de probabilitĂ©. Dans le premier modèle, appelĂ© HyPhAICC-1, la dynamique d’advection Ă plusieurs niveaux est utilisĂ©e pour guider l’apprentissage d’un modèle U-Net. Ceci est rĂ©alisĂ© en rĂ©solvant l’Ă©quation d’advection pour plusieurs champs de probabilitĂ©, chacun reprĂ©sentant un type de nuage, tout en apprenant simultanĂ©ment le champ de vitesse inconnu.
Nos expĂ©riences montrent que HyPhAICC-1 surpasse Ă la fois l’EXIM d’EUMETSAT et l’U-Net en termes de mĂ©triques standard ; Score F1, CSI et prĂ©cision. Nous dĂ©montrons Ă©galement que le modèle HyPhAICC-1 prĂ©serve plus de dĂ©tails et produit des rĂ©sultats plus rĂ©alistes par rapport au modèle U-Net. Pour mesurer quantitativement cet aspect, nous utilisons une version modifiĂ©e de la distance de Hausdorff qui est, Ă notre connaissance, la première fois que cette mesure est utilisĂ©e Ă cette fin dans la littĂ©rature. HyPhAICC-1 montre Ă©galement une convergence significativement plus rapide et des performances significativement meilleures que celles du modèle U-Net lorsqu’il est formĂ© sur des ensembles de donnĂ©es plus petits, soulignant l’efficacitĂ© de calcul de l’approche proposĂ©e.
Un autre modèle, appelĂ© HyPhAICC-2, ajoute un terme source Ă l’Ă©quation d’advection, amĂ©liorant la prĂ©cision mais rĂ©duisant la qualitĂ© visuelle.
Ces rĂ©sultats suggèrent que cette approche hybride offre une solution prometteuse pour surmonter les limites des mĂ©thodes d’IA traditionnelles, inspirant potentiellement de nouvelles recherches pour combiner les connaissances physiques avec des modèles d’apprentissage profond pour des prĂ©visions mĂ©tĂ©orologiques meilleures et plus efficaces.
Jury
M. Fabrice GAMBOA | fabrice.gamboa@math.univ-toulouse.fr | Professeur, IMT Toulouse III | Examinateur |
M. Guillaume BALARAC | guillaume.balarac@legi.grenoble-inp.fr | Professeur, LEGI Grenoble | Examinateur |
M. François FLEURET | francois.fleuret@unige.ch | Professeur, Université de Genève | Rapporteur |
M. Guillaume GASTINEAU | guillaume.gastineau@locean.ipsl.fr | Maître de conférences, Sorbonne | Rapporteur |
Mme Sidonie LEFEBVRE | sidonie.lefebvre@onera.fr | Ingénieure de recherche, ONERA | Examinatrice |