Analyse d'images radar météorologique à l'aide de méthodes de machine learning pour l'identification, le suivi et la caractérisation des systèmes précipitants

Analysis of meteorological radar images by machine learning methods for the identification, monitoring and characterization of precipitating systems

• Auteur / Autrice : Baptiste Guigal
• Direction : Laurent Barthès, Cecile Mallet
• Type : Projet de thèse
• Discipline(s) : Géosciences
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : Laboratoire Atmosphères, Milieux, Observations Spatiales
• Partenaire(s) de recherche : Equipe de recherche : SPACE
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Systèmes précipitants

Prévisions à court terme

Radar météorologique

Segmentation d'image

Apprentissage profond

Apprentissage automatique

Deep learning

Machine learning

Rain cells

Rain nowcasting

Image segmentation

Weather radar

Résumé

Les radars météorologiques peuvent permettre la détection et le suivi des cellules pluvieuses. Toutefois, si un opérateur humain peut être entraîné à la lecture des images radars, celles-ci restent parfois difficiles à interpréter : échos fixes, anomalies de propagation, oiseaux, insectes, etc peuvent rendre l'identification et le suivi des structures de pluie difficile. L'automatisation de cette tâche est un effort continu qui occupe les opérateurs de radars depuis des décennies. Récemment, nous avons testé au LATMOS une approche par apprentissage profond fondée sur l'utilisation de réseaux neuronaux de type U-nets (Lepetit et al., 2022). Ces réseaux convolutionnels sont dérivés des recherches sur la vision pour les machines (computer vision) et ont montré un très fort potentiel pour filtrer et corriger les échos non-météorologiques sur les données du radar de Météo-France de Trappes. Des études parallèles dans l'équipe SPACE du LATMOS, sur l'inversion des données radiométrique pour restituer les précipitations (Viltard et al. 2020), ont renforcé l'idée que ces réseaux sont bien adaptés pour identifier et traiter les structures de pluie. Une autre approche, utilisée par Ravuri et al. (2021) est la mise en oeuvre de Generative Adversarial Networks qui ont démontré leur capacité à générer des fausses images d'un grand réalisme (Deep-fake). Le doctorant ou la doctorante aura pour objectif principal, à l'aide de méthodes issues du domaine de l'IA, de développer, de tester et de valider une ou des méthodes d'identification et de suivi des structures pluvieuses d'images de radars météorologiques. Ce suivi de structures permettra d'une part d'explorer une application de type prévision immédiate de la pluie et d'autre part, de faire des études sur les propriétés macrophysiques (taille, cycle de vie, vitesse d'expansion et de décroissance, vitesse de déplacement, etc…) des systèmes précipitants observés sur une sélection de radars. Il permettra également d'explorer les interactions entre les ilots de chaleur urbain et les précipitations (Shepherd, 2005). La première partie de la thèse sera consacrée à l'étude bibliographique notamment en lien avec les méthodes de machine learning pour le traitement d'images, et à la familiarisation avec les données radars, les codes existants en Python et l'environnement Pytorch pour les aspects machine learning. Dans un second temps, plusieurs types de modèles neuronaux pourront être mis en œuvre, notamment les nouveaux algorithmes de segmentation sémantique non supervisés pour la localisation des cellules ainsi que des modèles neuronaux de type TrajGRU convolutionnel pour la localisation et le suivi de cellules (Shi et al., 2017). Ces modèles seront validés dans un premier temps sur les observations radars de Novimet, puis dans un second temps ils seront adaptés à d'autres radars avec des caractéristiques un peu différentes (Radar en bande C). Cette adaptation permettra, via les observations du réseau de radar ARAMIS de Météo France, de faire une étude des trajectoires des cellules (tracking) de pluie en relation avec d'autres grandeurs physiques (vent, topographie, ...) pour de plus larges zones géographiques comme le territoire métropolitain ou au contraire sur des zones urbaines à forte densité (région parisienne). Finalement, la troisième partie de la thèse sera consacrée au développement et à la mise en œuvre de modèles pour la prévision immédiate des précipitations.

Weather radars allow the detection and tracking of rain cells. However, if a human operator can be trained to read radar images, these are sometimes difficult to interpret: fixed echoes, propagation anomalies, birds, insects, etc. can make the identification and monitoring of rain structures difficult. . Automating this task is an ongoing effort that has kept radar operators busy for decades. Recently, we tested at LATMOS a deep learning approach based on the use of U-nets type neural networks (Lepetit et al., 2022). These convolutional networks are derived from research on vision for machines (computer vision) and have shown a very strong potential for filtering and correcting non-meteorological echoes on data from the Météo-France radar in Trappes. Parallel studies in the SPACE team of LATMOS, on the inversion of radiometric data to restore precipitation (Viltard et al. 2020), have reinforced the idea that these networks are well suited to identify and process rain structures. Another approach, used by Ravuri et al. (2021) is the implementation of Generative Adversarial Networks which have demonstrated their ability to generate false images of great realism (Deep-fake). The main objective of the doctoral student will be, using methods from the field of AI, to develop, test and validate a method for identifying and monitoring rain structures from weather radar images. This monitoring of structures will make it possible, on the one hand, to explore an application of the immediate rain forecast type and, on the other hand, to carry out studies on the macrophysical properties (size, life cycle, speed of expansion and decrease, movement speed, etc.) of precipitating systems observed on a selection of radars. It will also make it possible to explore the interactions between urban heat islands and precipitation (Shepherd, 2005). The first part of the thesis will be devoted to the bibliographic study, particularly in connection with machine learning methods for image processing, and familiarization with radar data, existing codes in Python and the Pytorch environment for machine learning aspect. In a second step, several types of neural models could be implemented, in particular new unsupervised semantic segmentation algorithms for cell localization as well as convolutional TrajGRU type neural models for cell localization and tracking (Shi and al., 2017). These models will be validated initially on Novimet radar observations, then in a second step they will be adapted to other radars with slightly different characteristics (C-band radar). This adaptation will make it possible, via observations from the ARAMIS radar network of Météo France, to study the trajectories of rain cells (tracking) in relation to other physical quantities (wind, topography, etc.) for larger geographical areas such as the metropolitan territory or, on the contrary, in high-density urban areas (Paris region). Finally, the third part of the thesis will be devoted to the development and implementation of models for nowcasting precipitation.