Deep-Eddies : Deep Learning for Oceanic Eddy Detection

Deep-Eddies : Deep Learning pour la détection des tourbillons océaniques Les tourbillons océaniques sont des vortex cohérents qui piègent et font circuler dans l'océan des quantités importantes de chaleur, de sel et de nutriments. Plusieurs algorithmes de détection et de suivi des tourbillons sur l'altimétrie satellitaire ont été développés au cours des dernières années, avec de nombreuses applications de monitoring sous-jacentes. Bien que la détection des tourbillons par altimétrie ait permis de nombreuses avancées océanographiques, elle est limitée par la courte fauchée de ces satellites. Ceci conduit à une grande interpolation spatio-temporelle des champs produits et donc à une incertitude dans la détection des tourbillons. Dans le projet de thèse Deep Eddies, nous cherchons à exploiter le potentiel émergent du Deep Learning / Computer Vision appliqué à l'imagerie satellitaire de l'océan, comme les mesures infrarouges de la température de surface de la mer (SST), qui présentent des signatures complexes de tourbillons, par des spirales, des filaments et des gradients. Nous développons des architectures de réseaux de neurones convolutifs, entraînées sur de grands ensembles de données contenant des représentations de tourbillons, pour fournir une nouvelle méthode de détection des tourbillons en temps réel sur des images infrarouges. Notre méthode permet d'améliorer considérablement la précision de la détection des tourbillons par rapport aux méthodes de détection altimétrique standard, tout en étant robuste à la couverture nuageuse des images infrarouges. De plus, nous employons notre réseau de neurones pour détecter les tourbillons sur les images infrarouges, en combinaison avec la détection altimétrique standard, afin de valider les modèles océaniques opérationnels. Grâce à un grand ensemble de données de détection de tourbillons de référence fiables, validées par deux capteurs satellites indépendants, nous employons les contours des tourbillons comme un proxy en temps réel du champ de vitesse. De cette façon, nous pouvons comparer et choisir entre les produits de différents modèles opérationnels dans une certaine région et période.  Enfin, nous utilisons les grands ensembles de données collectées pour caractériser la signature SST des tourbillons dans la mer Méditerranée, afin de quantifier l'inversion des anomalies de température de surface des anticyclones et des cyclones. Nous expliquons ce phénomène physique à l'aide d'un simple model qui tient compte du mélange vertical. Nos recherches visent à répondre aux besoins des différents acteurs maritimes pour plusieurs applications telles que la surveillance de l'environnement, la pollution plastique, la pêche, la navigation et la défense.