Descente d'échelle du vent par méthodes d'apprentissage profond : implications pour la nivologie et ses enjeux
Le Tourmelin, Louis
Downscaling wind fields in complex terrain with deep learning for snow applications
Les systèmes actuels de prévision numérique du temps ne permettent pas de capturer la variabilité spatiale du vent à des échelles infra-kilométrique en zone de montagne. Par conséquent, de nombreuses applications s'appuient sur des modèles de descente d'échelle pour prendre en compte les processus à l'oeuvre à ces échelles. C'est le cas en nivologie où les phénomènes de transport de neige par le vent jouent un rôle clef dans la structuration du manteau neigeux à l'échelle locale. Dans ce contexte, cette thèse de doctorat se concentre sur le développement de méthodes d'intelligence artificielle pour la descente d'échelle et la correction du vent en zones de montagne mais également sur la mise en oeuvre de stratégies de modélisation du transport de neige par le vent. Dans un premier temps, j'ai développé le modèle DEVINE, qui a pour but d'augmenter la résolution horizontale de simulations de vents en zone de montagne. Ce modèle s'appuie sur un réseau de neurones à convolutions, préalablement entraîné sur une large base de données contenant des simulations de vent obtenues à haute résolution spatiale avec le modèle atmosphérique ARPS sur des topographies Gaussiennes. Je montre que DEVINE reproduit fidèlement des processus clefs de l'interaction du vent et de la topographie, comme l'attestent ses performances en zones exposées. Bien qu'héritant de certaines limites liées à ses données d'entrainements, DEVINE est un modèle économe en temps de calcul, polyvalent, et présente un intérêt potentiel pour un large spectre d'applications. La seconde partie de mon étude s'est consacrée au développement d'une stratégie corrective, venant s'articuler avec le modèle DEVINE pour compenser des erreurs de modélisation initiées dans le modèle de plus large échelle forçant DEVINE. Cette stratégie s'appuie sur des réseaux de neurones artificiels. Sa principale innovation repose sur le fait que la descente d'échelle est prise en compte dans le calcul de la correction à apporter au modèle large échelle. A la suite d'un exercice d'évaluation, je montre que les simulations de vitesse et de direction de vent en montagne sont améliorées par cette méthode corrective. La dernière partie de mon travail s'est consacrée au développement de modèles d'intelligence artificielle visant à représenter le transport de neige par le vent. Ces modèles ont été entraînés en utilisant des observations de transport de neige, des variables atmosphériques et des informations sur l'état du manteau neigeux. Les architectures les plus performantes permettent d'obtenir des résultats compétitifs en termes d'occurrence de transport et d'intensité, par rapport aux méthodes pré-existantes. Des comparaisons avec un modèle de transport de neige récent, réalisées au site d'observation du Col du Lac Blanc, viennent en complément des premières évaluations. Le modèle de descente d'échelle de vent combiné à la méthode corrective également développée dans cette thèse, constituent des jeux de données idoines pour alimenter les modèles de transport de neige par le vent développés dans cette dernière partie.</p>
Accès à la notice sur le site du portail documentaire de Météo-France