Le Bureau des Études Doctorales a le plaisir de vous informer que
Monsieur Joseph JENKINS
Doctorant au laboratoire LIS rattaché à l’École Doctorale 548 « Mer & Sciences » (France)
soutiendra sa thèse en vue de l’obtention du Grade de Docteur
sous la direction de
M. Hervé GLOTIN, Professeur des Universités, Université de Toulon (France), Directeur de thèse
&
M. Yann OURMIERES, Maître de Conférences-HDR, Université de Toulon (France), Codirecteur de thèse
Co-encadré par
Mme Adeline PAIEMENT, Maîtresse de Conférences-HDR, Université de Toulon (France),
Discipline : informatique
Spécialité :Océanographie physique
sur le thème
” Modélisation probabiliste basée sur l’apprentissage profond de matériaux dérivants en mer en cas de connaissance imparfaite des courants de surface ”
(Deep learning-based probabilistic modelling of drifting material at sea given imperfect surface currents)
Mercredi 03 juillet 2024 à 10h00
A l’Université de Toulon – Campus La Garde – Bâtiment X – Amphi X.300
devant un jury composé de :
M. Jocelyn CHANUSSOT, Professeur des Universités, Institut de Technologie de Grenoble (France), Rapporteur
M. Ronan FABLET, Professeur des Universités, IMT Atlantique Brest (France), Rapporteur
M. Ronan SICRE, Maître de Conférences, Aix-Marseille Université (France), Examinateur
Mme Adeline PAIEMENT, Maîtresse de Conférences-HDR, Université de Toulon (France), Co-encadrante
M. Yann OURMIERES, Maître de Conférences-HDR, Université de Toulon (France), Codirecteur de thèse
M. Hervé GLOTIN, Professeur des Universités, Université de Toulon (France), Directeur de thèse
M. Julien Le SOMMER, Chargé de Recherche, Université Grenoble-Alpes (France) Invité
M. Clément UBELMANN, Docteur, Société Datlas (France), Invité
***************************
Modélisation probabiliste basée sur l’apprentissage profond de matériaux dérivants en mer en cas de connaissance imparfaite des courants de surface
Résumé
Nous étudions la viabilité de l’utilisation d’un réseau neuronal convolutionnel profond pour modéliser la dérive en mer compte tenu des erreurs dans les courants océaniques. Nous visons à prendre en compte les incertitudes de la dérive en la représentant de manière probabiliste. Les dérives probabilistes de référence, sous la forme de cartes de densité de probabilité, sont réalisées sur la base de simulations d’ensembles lagrangiens. Comme les résultats des simulations encodent tous les effets de l’incertitude de la dérive, nous pouvons aborder la modélisation par l’apprentissage d’une fonction déterministe. Nous formons un modèle pour reconstruire la dérive d’un jour par le biais d’une tâche d’apprentissage par régression pixellisée. La nature générale de notre cadre d’apprentissage lui permet d’être indépendant de la fonction de dérive sous-jacente ou de la représentation du champ d’écoulement d’entrée. Nous démontrons d’abord notre cadre en modélisant la dérive avec une incertitude dans la position initiale. Le modèle entraîné émule très bien les simulations, atteignant 0,87 IOU du contour de probabilité de 50%. Nous appliquons ensuite notre cadre au cas où l’incertitude de la dérive concerne des erreurs dans les courants océaniques. Pour permettre la génération de dérives probabilistes conformes à la réalité, nous produisons une distribution d’erreurs synthétiques qui vise à émuler les déformations locales des structures typiques des modèles océaniques. Pour correspondre au contexte des scénarios opérationnels, nous entraînons un modèle à reconstruire les dérives de vérité au sol (correspondant à une quantification de l’incertitude des erreurs) à partir d’échantillons aléatoires d’erreurs de courants océaniques. Nous constatons que notre modèle entraîné est capable de prendre en compte 48% de l’effet des erreurs. Nous démontrons également la capacité de modéliser la dérive en utilisant uniquement la hauteur de la surface de la mer comme donnée d’entrée. Le cadre conceptuel de recherche développé dans cette thèse peut être utilisé pour étudier l’impact des erreurs sur la capacité à modéliser la dérive dans certaines conditions supposées. Il peut également servir de base à la formation d’un modèle à utiliser dans le contexte d’applications opérationnelles
Mots clés : Dérive lagrangienne, l’apprentissage en profondeur, modélisation probabiliste
Deep learning-based probabilistic modelling of drifting material at sea given imperfect surface currents
Abstract
We investigate the viability of using a deep convolutional neural network to model drift at sea given errors in the ocean currents. We aim to account for uncertainties in the drift by representing it probabilistically. Groundtruth probabilistic drifts in the form of probability density maps are realised on the basis of Lagrangian ensemble simulations. Because the simulation outputs encode all of the effects of drift uncertainty, we are able to approach the modelling through learning a deterministic function. We train a model to reconstruct the one-day drift via a pixel-wise regression learning task. The general nature of our training framework allows it to be agnostic to the underlying drift function or representation of the input flow field. We first demonstrate our framework by modelling drift with uncertainty in the initial position. The trained model emulates simulations very well, achieving 0.87 IOU of the 50% probability contour. We then apply our framework to the case where the drift uncertainty concerns errors in ocean currents. To permit the generation of groundtruth probabilistic drifts, we produce a distribution of synthetic errors which aims to emulate the local deformations of structures typical in ocean models. To match the context of operational scenarios, we train a model to reconstruct the groundtruth drifts (corresponding to an uncertainty quantification of errors) given random samples of ocean current errors. We find that our trained model is able to account for 48% of the effect of errors. We also demonstrate the ability to model drift given only sea surface height as input. The conceptual research framework developed in this thesis may be used to study the impact of errors on the ability to model drift under some assumed conditions. It may also serve as a foundation for training a model to be used in the context of operational applications.
Keywords: Lagrangian drift, deep learning, probabilistic modelling.
