Variabilité environnementale multiéchelle: une approche systémique combinant réseaux multi-couches et multifractalité des échelle urbaines à celles du climat

Multiscale environmental variability: a systemic approach combining multilayer networks and multifractality from urban to climate scales

• Auteur / Autrice : Adarsh Jojo Thomas
• Direction : Daniel Schertzer, Jürgen Kurths
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 08/11/2021
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : HM&CO - Hydrométéorologie et Complexité

Mots clés

Mots clés libres

Systèmes urbains

Réseaux complexes

Variabilité multiéchelle

Multifractals

Climat

Multifractals

Complex networks

Urban systems

Climate

Multiscale variability

Résumé

L'approche traditionnelle de la prévision des événements climatiques extrêmes repose sur le développement d'un modèle climatique de très haute dimension qui représente les différents processus physiques, chimiques et biologiques se déroulant dans l'atmosphère, la terre et l'océan. Cependant, il n'a pas été possible d'avoir une connaissance complète des différents processus climatiques de la Terre à diverses échelles, ce qui a conduit à une structure de modèle incomplète. Cette difficulté, à laquelle s'ajoutent les problèmes liés aux défis de la mesure, tels que les erreurs d'observation, les variations de terrain et la nature des variables climatiques, les caractéristiques inhérentes des données climatiques, telles que les multiples échelles spatio-temporelles et donc la dépendance aux techniques de remplissage des données, et la puissance de calcul limitée, a souvent conduit à l'approximation, voire à l'ignorance, des processus à petite échelle et des effets hautement non linéaires, qui se manifestent par de grands écarts entre les prévisions et les données observées sur de longues périodes. Un défi particulier est de couvrir une large gamme d'échelles spatiales jusqu'aux régions urbaines. Ainsi, l'extrême variabilité des composantes naturelles et anthropiques de l'environnement sur une large gamme d'échelles spatio-temporelles reste une impasse pour les méthodologies classiques et empêche donc une approche systémique. Cela rend, en particulier, très difficile la prédiction des événements extrêmes dans le cadre du système très complexe qu'est la Terre, avec une compétence et une précision accrues. L'un des défis de l'étude des systèmes complexes est leur composition intrinsèque de sous-composants reliés de manière non linéaire, ce qui nécessite l'analyse de séries chronologiques non linéaires à plusieurs variables. Grâce à des technologies de mesure plus raffinées, des ensembles de données de plus en plus importants sont disponibles en permanence. Ces ensembles de données, tels que ceux issus des mesures de télédétection, dépendent à la fois du temps et de l'espace et nécessitent des techniques plus adaptées. Les réseaux complexes (ou graphes) et les multifractales constituent des moyens prometteurs de traiter ces données volumineuses. Ces deux approches permettent une bien meilleure description de divers processus du monde réel, comme cela a été récemment démontré dans divers domaines. Cette thèse est consacrée à la combinaison de ces deux approches pour couvrir un large éventail d'échelles, de l'échelle urbaine à l'échelle climatique.

The traditional approach to forecasting extreme climate events involves developing a very high- dimensional climate model which represents the different physical, chemical and biological processes going on in the atmosphere, land and ocean. However, it has not been possible to have a complete knowledge of the Earth's different climate processes on various scales leading to an incomplete model structure. This difficulty, in addition to problems related to measurement challenges, such as observation errors, varying terrain and nature of climate variable, inherent characteristics of climate data, such as multiple spatial-temporal scales and therefore dependency on data filling techniques, and limited computational power has often lead to approximate or even ignore small-scale processes and highly nonlinear effects, which emerge as large deviations between forecasts and observed data over longer periods of time. A special challenge is to cover a broad range of spatial scales down to urban regions. Hence, the extreme variability of both natural and man-made components of the environment over a wide range of space time scales remains a deadlock for classical methodologies and prevents therefore a systemic approach. This makes, in particular, the predictability of extreme events as part of the highly complex system Earth with higher skill and accuracy very challenging. A challenge in investigating complex systems is their intrinsic composition of nonlinearly interlinked subcomponents, requiring the analysis of multivariate nonlinear time series. Due to more refined measurement technologies, ever larger data sets are becoming available on an ongoing basis. These datasets, such as the ones from remote sensing measurements, depend on both time and space and require more suitable techniques. Promising ways to treat such big data are based on complex networks (or graphs) and multifractals. Both enable a much better description of various real-world processes, as has been recently demonstrated in various fields. This thesis is devoted to combine both approaches to cover a wide range of scales from urban to climate scales