Deep learning for sea surface height reconstruction from multi-variate satellite observations
Apprentissage profond pour reconstruire la hauteur de la surface océanique à partir d’observations satellites multivariées
Résumé
This Ph.D. thesis focuses on reconstructing satellite images of the ocean surface from sparse and noisy measurements. Our objective is the Sea Surface Height (SSH), an important variable to estimate surface currents. It is retrieved through nadir-pointing altimeters, leaving important observation gaps due to their remote sensing technology. Complete SSH maps are produced using linear Optimal Interpolations with low effective resolution.On the other hand, Sea Surface Temperature (SST) products have much higher data coverage, and SST is physically linked to geostrophic currents through advection.This thesis explores deep learning algorithms to estimate SSH fields. Relying on years of data from simulation and observations, deep neural networks are able to learn complex relationships between SSH and SST variables. Using these algorithms and SST observations, we first enhance SSH mapping from a downscaling perspective on a physical simulation. Then, we tackle the SSH interpolation problem on simulation and observation data, with a particular focus on how to transfer the learning in operational settings. Finally, we adapt our method to produce near real-time and forecast estimations.
Cette thèse de doctorat porte sur la reconstruction d'images satellites de la surface de l'océan à partir de mesures éparses et bruitées. Son objectif est l'estimation de la hauteur de la mer (SSH), une variable importante pour approximer les courants de surface. Elle est actuellement mesurée par des altimètres pointant au nadir, laissant de nombreuses zones non observées. Les cartes complètes de SSH sont produites en utilisant des interpolations optimales linéaires présentant une faible résolution effective.D'autre part, la température de surface de la mer (SST) est observée sur des zones plus étendues et est physiquement liée aux courants géostrophiques à travers l'advection.Cette thèse explore les algorithmes d'apprentissage profond pour estimer les champs de SSH. En s'appuyant sur des années de données de simulation et d'observations, les réseaux neuronaux profonds sont capables d'apprendre des relations complexes entre les variables SSH et SST. Nous utilisons ces algorithmes ainsi que les observations de température, pour reconstruire la SSH d'abord dans une perspective de réduction d'échelle sur une simulation physique. Ensuite, nous considèrerons le problème de son interpolation sur des données de simulation et d'observation, en nous concentrant particulièrement sur la manière de transférer l'apprentissage dans des contextes opérationnels. Enfin, nous adaptons notre méthode pour produire des estimations en temps réel et des prévisions.
| Origine | Version validée par le jury (STAR) |
|---|