Deep Learning et Dynamiques Géophysiques Description du

Sujet de Stage de Master
Deep Learning et Dynamiques
Géophysiques
Encadrants :
Encadrants :
Ronan Fablet [email protected]
Cédric Herzet [email protected]
Pierre Tandeo [email protected]
30 septembre 2016
Description du sujet
L’apprentissage profond (deep learning) [2] a connu un essor extrêmement im-
portant en quelques années dans le domaine de l’intelligence artificielle et de la
vision par ordinateur. Initiallement exploité pour des problèmes de classification
et reconnaissance, il est également devenu un cadre de référence pour la résolution
de nombreux problèmes d’imagerie : synthèses d’images, super-résolution, débrui-
tage, inpainting,....
Dans le domaine des sciences environnementales, la reconstruction de la dyna-
mique d’un état (par exemple, l’évolution de paramètres géophysiques de l’atmo-
sphère ou de l’océan) à partir d’observations partielles, telles que des observations
satellitaires ou des observations in situ, constitue un enjeu majeur. Ce problème
est dénommé assimilation de données et exploite généralement une connaissance
a priori d’un modèle physique décrivant la dynamique de l’état.
L’objectif de ce projet est d’explorer des techniques d’apprentissage profond
sans avoir à spécifier explicitement un modèle physique a priori. Il s’intéressera
tout particulièrement aux CNNs (Convolutional Neural Networks). Différentes ar-
chitectures seront envisagées vis-à-vis des contraintes d’appentissage posées par
l’assimilation de données. Dans un second temps, il s’agira d’explorer le couplage
de cet apprentissage profond avec les méthodes classiques d’assimilation de don-
nées par filtrage stochastique [1], dans le prolongement de nos travaux récents
exploitant des techniques de type plus proches voisins [3].
Une évaluation expérimentale des méthodes proposées sera réalisée sur des
données simulées et éventuellement des données réelles pour quantifier l’apport
potentiel de l’apprentissage profond à l’assimilation de données.
1

Figure 1 – Exemple de donnée de hauteur d’eau devant être intégrée au schéma
d’assimilation.
Mots-clés :
Réseaux de neurones convolutifs, assimilation de données, apprentissage super-
visé, problèmes inverses
Travail à réaliser
Le travail à réaliser comportera trois étapes principales :
•La réalisation d’un état de l’art sur les modèles d’apprentissage profond
pour la résolution de problèmes inverses en imagerie ;
•La mise en oeuvre de modèles CNNs pour la prédiction de systèmes dyna-
miques et leur combinaison avec des méthodes de filtrage stochastique ;
•L’évaluation comparative de(s) l’algorithme(s) proposé(s) par rapport à
l’état de l’art sur des jeux de données simulés.
Environnement de travail
Les développements algorithmiques seront réalisés en Python ou Matlab et
pourront exploiter la librairie AnDA [3].
Quelques références bibliographiques
2

Références
[1] G. Evensen. Data Assimilation. Springer Berlin Heidelberg, Berlin, Heidel-
berg, 2009.
[2] Y. LeCun, Y. Bengio, and G. Hinton. Deep learning. Nature, 521(7553) :436–
444, May 2015.
[3] R. Lguensat, P. Tandeo, P. Aillot, and R. Fablet. The Analog Data Assimila-
tion. Submitted., 2016.
3