Apprentissages profonds pour la reconstruction de séries temporelles de biomasse phytoplanctonique globale et l'étude des mécanismes physiques-biogéochimiques sous-jacents

Deep learning approach to reconstruct phytoplankton time-series and to investigate the underlying physical-biogeochemical mechanisms in the global ocean

• Auteur / Autrice : Joana Roussillon
• Direction : Élodie Martinez
• Type : Thèse de doctorat
• Discipline(s) : Océanographie physique et environnement
• Date : Soutenance le 18/12/2023
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la mer et du littoral (Plouzané)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Océanographie Physique et Spatiale (Plouzané, Finistère)
• Jury : Président / Présidente : Xavier Carton
• Jury : Examinateurs / Examinatrices : Élodie Martinez, Xavier Carton, Laurent Bopp, Julien Brajard, Matthieu Lengaigne, Pierre Tandeo, Lucas Drumetz
• Jury : Rapporteurs / Rapporteuses : Laurent Bopp, Julien Brajard

Mots clés

Mots clés contrôlés

Apprentissage profond

Biogéochimie

Variabilité

Phytoplancton marin

Mots clés libres

Biomasse phytoplanctonique

Variabilité saisonnière à interannuelle

Processus physiques et biogéochimiques

Apprentissage profond

Couleur de l’eau

Poussières désertiques

Global phytoplankton biomass

Seasonal to interannual variability

Physical and biogeochemical processes

Deep learning

Ocean colour

Desert dust

Résumé

Les séries temporelles de concentrations en Chlorophylle-a (Chl, un proxy de la biomasse phytoplanctonique) issues des observations satellites restant trop courtes pour étudier la variabilité à basse fréquence (ex : décennale) de la biomasse phytoplanctonique, cette thèse visait à explorer le potentiel des méthodes émergentes d’apprentissages profonds pour reconstruire des signaux passés de la Chl à partir de prédicteurs océaniques et atmosphériques, dans l’océan global. Dans un premier temps, est démontrée la pertinence des réseaux de neurones convolutifs (CNNs) pour prendre en compte la dépendance de la Chl aux conditions physiques environnementales. Dans un second temps, l’introduction de mécanismes d’attention a permis d’adapter ces modèles convolutifs classiques à la forte hétérogénéité spatio-temporelle des liens physique-biogéochimie observés à l'échelle globale. Ainsi, les processus régionaux sont mieux capturés par le modèle, qui permet également d’extraire plus facilement de nouvelles informations concernant les processus physiques sous-jacents. Enfin, le modèle statistique développé a été utilisé pour documenter l’impact de la prise en compte d’une source atmosphérique de nutriments (i.e. dépôt de poussières désertiques) caractérisée notamment par une variabilité spatio-temporelle différente des sources internes à l’océan. Les résultats montrent que la climatologie annuelle de ces dépôts semble améliorer la perception des motifs globaux de (co-)limitations en nutriments par le modèle statistique. De plus, des réponses contrastées aux variabilités saisonnières et interannuelles de ces dépôts sont observées selon les bassins océaniques.

Considering that the satellitederived chlorophyll-a concentrations (Chl, a proxy for phytoplankton biomass) time series are still too short to investigate phytoplankton biomass low-frequency variability, this thesis aimed to explore the potential of emerging deep learning methods to reconstruct past Chl signals from oceanic and atmospheric predictors in the global ocean. First, is demonstrated the relevance of convolutional neural networks (CNNs) to make efficient use of the strong spatial correlations observed between the phytoplankton biomass and its physical environment. Secondly, the introduction of attention mechanisms made it possible to adapt these classical convolutional models to the strong spatio-temporal heterogeneity of the physical-biogeochemical interactions observed on a global scale. As a result, regional processes are better captured by the model, which also makes it easier to extract new information about the underlying physical processes. Finally, this statistical model was used to assess the impact of taking into account an atmospheric source of nutrients (i.e. desert dust deposition) characterised, among others, by a different spatio-temporal variability from the oceanic sources. Results show that the annual climatology of these deposits sems to improve the statistical model’s ability to perceive global patterns of nutrient (co-)limitation. In addition, contrasting responses to the seasonal and interanual variability were observed among all the oceanic bassins