Downscaling statistique et changement climatique en zone côtière

Statistical downscaling and climate change in the coastal zone

• Auteur / Autrice : Said Obakrim
• Direction : Valérie Monbet, Pierre Ailliot
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et leurs interactions
• Date : Soutenance le 21/10/2022
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : MATHSTIC
• Partenaire(s) de recherche : Laboratoire : Institut de recherche mathématique (Rennes ; 1996-....)
• Jury : Président / Présidente : Carlo Gaetan
• Jury : Examinateurs / Examinatrices : Gwladys Toulemonde
• Jury : Rapporteurs / Rapporteuses : Thomas Opitz, Mathieu Vrac

Mots clés

Mots clés contrôlés

Algorithmes EM

Vagues

Apprentissage profond

Mots clés libres

Descente d'échelle

Etat de mer

Ridge généralisée

Mélange d'experts

Algorithme EM

Apprentissage profond

Downscaling

Sea state

Generalized Ridge

Mixture of experts

EM algorithm

Deep learning

Résumé

Le climat des vagues océaniques a un impact significatif sur les activités humaines, et sa compréhension est importante sur le plan socio-économique et environnemental. Dans cette thèse, nous nous intéressons à la caractérisation des paramètres d'état de mer tels que la hauteur significative des vagues (Hs) en utilisant des méthodes statistiques et d'apprentissage profond. En particulier, nous nous intéressons à la modélisation de la relation entre les conditions de vent de l'Atlantique Nord et les paramètres d'état de la mer à un endroit situé dans le Golfe de Gascogne. Étant donné la multidimensionnalité des données de vent et la relation décalée en temps entre les conditions de vent et les vagues, nous proposons d'abord un cadre général pour sélectionner les covariables pertinentes qui influencent la hauteur significative des vagues. Après l'étape de prétraitement, un modèle de régression basé sur les types de temps est proposé pour modéliser la relation entre le vent et les vagues. Les types de temps sont construits à l'aide d'un algorithme de classification puis, pour chaque type de temps, une régression de Ridge est ajustée entre les conditions de vent et la hauteur significative des vagues. Le modèle prédit bien Hs, mais il présente certaines limites, à savoir : (i) la régression de Ridge ne tient pas compte du fait que les covariables ont une structure spatiale ; et (ii) les types de temps sont construits a priori à l'aide d'un algorithme de classification et ils ne sont pas évalués en fonction de la prédiction de Hs. Par conséquent, nous proposons un algorithme d'espérance-maximisation (EM) pour estimer les paramètres de la régression de Ridge généralisée avec des covariables spatiales, puis, pour tenir compte les points (i) et (ii), nous proposons un mélange d'experts de Ridge généralisés estimés à l'aide d'un algorithme EM variationnel. Ce modèle est utilisé comme modèle de régression basé sur les types de temps et ses performances sont supérieures à celles du modèle original. Finalement, la dernière partie de cette thèse est consacrée au développement de méthodes d'apprentissage profond pour la prédiction des paramètres de l'état de la mer.

Ocean wave climate has a significant impact on human activities, and its understanding is socioeconomically and environmentally important. In this thesis, we are interested in characterizing sea state parameters such as significant wave height (Hs) using statistical and deep learning methods. In particular, we are interested in modeling the relationship between North Atlantic wind conditions and sea state parameters at a location in the Bay of Biscay. Given the multidimensionality of the wind data and the time-lagged relationship between wind conditions and waves, we first propose a general framework to select the relevant covariates that influence the significant wave height. After the preprocessing step, a regression model based on weather types is proposed to model the relationship between wind and waves. The weather types are constructed using a clustering algorithm, and then, for each weather type, a Ridge regression is fitted between the wind conditions and the significant wave height. The model predicts Hs well; however, it has some limitations, namely: (i) Ridge regression does not take into account that the covariates have a spatial structure; and (ii) the weather types are constructed a priori using a clustering algorithm, and they are not evaluated based on the prediction of Hs. Therefore, we propose an expectation-maximization (EM) algorithm to estimate the parameters of the generalized Ridge regression with spatial covariates. Then, to account for (i) and (ii), we propose a mixture of generalized Ridge experts estimated using a variational EM algorithm. This model is used as a weather-types-based regression model, and its performance is better than that of the original model.Finally, the last part of this thesis is devoted to developing deep learning methods for sea state parameters prediction.