Cerfacs Entrez dans le monde de la haute performance...

Machine Learning & Météorologie : Hybridation des modèles physiques et des techniques d'apprentissage – Application à la prévision immédiate du temps

 , ,

Niveau requis : MASTER2 ou Ecole d'Ingénieurs
Date de début : 1 février 2019
Durée de la mission : 6 mois
Date limite des candidatures : 17 décembre 2018
Rémunération : 650 Euros/mois

Contexte

Le Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique (CERFACS) travaille à la résolution, par la modélisation et la simulation numérique, des problèmes scientifiques nécessitant le recours aux moyens de calcul les plus puissants. Il associe de manière interdisciplinaire, pour la recherche comme pour la formation avancée, des physiciens, des mathématiciens appliqués, des numériciens et des ingénieurs.

Aujourd'hui, les modèles de mécanique des fluides numérique jouent un rôle incontournable dans notre compréhension de l'environnement (prévision du temps, changement climatique…), mais leur exploitation reste limitée par leur complexité en temps de calcul ou leur résolution à une échelle spatiale insuffisante pour capturer certains phénomènes physiques. L'hybridation de ces modèles à des techniques d'apprentissage est une pratique émergente qui a permis d'adresser ces limitations dans des contextes précis.

Description

Les modèles de PNT (Prévisions Numériques du Temps) sont peu adaptés aux prévisions à très courte échéance (jusqu'à quelques heures), à cause du temps de calcul requis pour leur résolution numérique et des approximations introduites par les paramétrisations physiques et l'incertitude sur les conditions initiales, particulièrement gênantes pour la précision à très court terme. Les PI (Prévisions Immédiates) reposent donc sur des modèles plus simples œuvrant à extrapoler le futur proche à partir des observations les plus récentes.

Nous proposons d'exploiter des approches probabilistes, connues sous le terme de Modèles Réduits pour la PI de situations orageuses. Parmi les méthodes disponibles, le krigeage est une méthode plus difficile à mettre en œuvre, mais constitue une des valeurs sûres du domaine des modèles réduits (Jin, Chen et Simpson, 2001). Il est donc retenu dans le cadre des travaux proposés ici. Ces modèles seront construits sur la base des prévisions du modèle AROME (résolution kilométrique) et des observations radar de précipitations,

L’enjeu principal sera d’injecter de la physique dans les modèles réduits afin d’augmenter la finesse des prévisions. Pour ce faire, on s'appuiera sur des méthodes d’apprentissage automatique qui ont déjà fait leurs preuves dans le domaine de la mécanique des fluides. Une première étape consistera à déterminer les fronts pluvieux via l’utilisation d’algorithmes d’apprentissage non-supervisé, ce qui permettra le découpage (dans l’espace des paramètres) du modèle réduit initial en plusieurs sous-modèles réduits. Une seconde étape concernera la mise en œuvre d’un algorithme de classification.

Compétences

– Aptitude à travailler en équipe.
– Bonne connaissance du système UNIX.
– Connaissance indispensable de la programmation en langage Python
– Connaissance des mathématiques appliquées
– Connaissance des thématiques :  Machine Learning, Surrogate Models and Design of Experiment
– Esprit d'initiative.

Des connaissances en Mathématiques Statistiques et Météorologie seraient un plus.

Contacts

Name: Jean-Christophe JOUHAUD
Phone: +33 5 61 19 30 51
Fax: +33 5 61 19 30 30
Email: jjouhaud[at]cerfacs.fr