Apprentissage de systèmes géophysiques à partir d’images

La caractérisation précise de l’état de l’atmosphère et de l’océan est déterminante pour étudier des phénomènes géophysiques tels que le réchauffement climatique, la variabilité des courants océaniques ou encore la dispersion de polluants. Malheureusement, les systèmes d’équations régissant la dynamique de ces phénomènes impliquent souvent des variables d’états vivant dans des espaces de très grande dimension. Ils sont par conséquent impossibles à résoudre numériquement. Toutefois, cette dernière décennie, les satellites d’observation de la Terre ont apporté aux scientifiques un volume de données sans précédent. Ces données -majoritairement des images- sont des mesures incomplètes et bruitées de l’état de ces systèmes. Cet exposé cherchera à apporter des réponses aux questions suivantes. Est-il possible d’exploiter ces observations afin de caractériser les états des systèmes a résoudre, ou du moins de quantifier l’incertitude que l’on a sur ces états ? Peut-on envisager d’exploiter ces observations pour construire des dynamiques peu complexes n’impliquant que quelques degrés de liberté ? Ces modèles dits « réduits » pourront reproduire à moindre frais et avec une certaine précision un système dans une certaine gamme de régimes. Nous aborderons ces questions sous un angle probabiliste, et fournirons des réponses conjuguant connaissances a priori sur la physique et observations imparfaites.