LogoLogo

Hamidi, Yamina. Détection de la texture des précipitations et des nébulosités avec des méthodes d'apprentissage statistique : application aux prévisions du modèle Arome

Hamidi, Yamina (2020). Détection de la texture des précipitations et des nébulosités avec des méthodes d'apprentissage statistique : application aux prévisions du modèle Arome.

[img]PDF (Accès restreint. S'adresser à l'accueil de la BU Sciences de Toulouse) - Accès intranet - nécessite un logiciel de visualisation PDF comme GSview, Xpdf or Adobe Acrobat Reader
17Mb

Résumé en francais

La détection de structures météorologiques cohérentes dans les sorties à haute résolution des modèles de prévision numérique du temps est un complément possible à l'analyse classique "au point de grille". Ces structures identifient une information sur des échelles plus larges que la maille du modèle, et donc plus prévisibles. Elles présentent ainsi des caractéristiques intéressantes pour l'exploitation opérationnelle et la vérification des prévisions. Ce traitement des prévisions sous forme d'objets est particulièrement adapté aux précipitations, dont la modélisation à fine échelle reste imparfaite. Les "objets précipitants" sont généralement définis à partir de leur intensité. La prise en compte de leur organisation spatiale, appelée aussi "texture", est un autre aspect important pour aboutir à une caractérisation plus complète des structures précipitantes, qui fait l'objet de ce travail de thèse. Des outils empruntés au domaine de la vision par ordinateur et de l'apprentissage statistique ont été utilisés pour discriminer entre deux textures de pluies : les pluies continues et les pluies intermittentes. La première partie du travail est ainsi consacrée à l'évaluation de méthodes d'apprentissage statistique pour la détection des zones de pluies continues et intermittentes dans les prévisions du modèle Arome de Météo-France. On montre que les forêts aléatoires et le gradient boosting fournissent de meilleurs résultats que la régression logistique, indépendamment du prédicteur utilisé. En particulier, utiliser directement comme prédicteurs les pixels d'un voisinage conduit à des résultats similaires à ceux obtenus avec un prédicteur plus classique en analyse de texture comme la matrice de co-occurrence. Plusieurs déclinaisons du modèle Arome sont utilisées de manière opérationnelle, chacune utilisant des configurations légèrement différentes. Développer un classifieur de texture pour chaque configuration est long, en particulier car la construction des bases de données d'entraînement nécessite de tracer manuellement les objets recherchés dans plusieurs centaines de prévisions. Dans ce contexte, la deuxième partie du travail s'intéresse au potentiel du transfert d'apprentissage pour post-traiter différentes prévisions Arome et les observations de précipitations, en utilisant un unique classifieur entraîné sur une configuration particulière du modèle Arome. Ce transfert d'apprentissage est satisfaisant dans la plupart des cas testés et permet ainsi d'étendre les applications de détection sans développer de bases d'apprentissage spécifiques. Dans une dernière étape le transfert d'apprentissage est appliqué pour traiter une autre variable, la nébulosité, dont les textures "ciel couvert" et "ciel morcelé" sont très proches des textures "pluies continues" et "pluies intermittentes". On montre dans ce cas que le transfert d'apprentissage peut être utilisé pour construire rapidement de nouvelles bases de données.

Sous la direction du :
Directeur de thèse
Arbogast, Philippe
Ecole doctorale:Sciences de l'Univers, de l'environnement et de l'espace (SDU2E)
laboratoire/Unité de recherche :Centre National de Recherches Météorologiques (CNRM-GAME), UMR 3589
Mots-clés libres :Prévision numérique du temps - Vision par ordinateur - Apprentissage statistique - Transfert d'apprentissage - Texture des pluies - Texture de la nébulosité
Sujets :Sciences de l'environnement
Déposé le :12 Nov 2021 17:55