Changes

Jump to navigation Jump to search
no edit summary
Line 18: Line 18:  
Les approches axées sur les données sont mieux adaptées à ce type d’analyse. L’IA peut passer au crible les piles de données océaniques pour trouver la relation complexe entre les observations océaniques.
 
Les approches axées sur les données sont mieux adaptées à ce type d’analyse. L’IA peut passer au crible les piles de données océaniques pour trouver la relation complexe entre les observations océaniques.
   −
[[File:Profile Classification Model.png|thumb|416x416px|'''<small>Modèle de classification des profils : une approche axée sur les données analyser les données océaniques</small>''' <ref>Guillaume Maze et al, Coherent heat patterns revealed by unsupervised classification of Argo temperature profiles in the North Atlantic Ocean, Progress in Oceanography, Volume 151, 2017, Pages 275-292.</ref>]]
+
[[File:Profile Classification Model.png|thumb|418x418px|'''<small>Modèle de classification des profils : une approche axée sur les données analyser les données océaniques</small>''' <ref>Guillaume Maze et al, Coherent heat patterns revealed by unsupervised classification of Argo temperature profiles in the North Atlantic Ocean, Progress in Oceanography, Volume 151, 2017, Pages 275-292.</ref>]]
 
Appuyée par le Fonds de résultats pour l’exercice 2020-2021, une validation de principe a été élaborée pour un modèle prédictif permettant de trouver des (dis-)similitudes entre les profils multidimensionnels in situ des données océanographiques de l’océan Pacifique. Les profils CTP (Conductivité-Température-Profondeur) in situ sont classés selon le modèle de classification des profils <ref name=":0">https://pyxpcm.readthedocs.io/en/latest/index.html</ref>. Le modèle de classification des profils océaniques permet d’assembler automatiquement les profils océaniques en grappes en fonction des similitudes de leur structure verticale. Les propriétés géospatiales de ces grappes peuvent servir à résoudre une grande variété de problèmes océanographiques, par exemple la détection des fronts, l’identification des masses d’eau, l’établissement de cartes en courbes de niveau des régions naturelles (tourbillons, remous), la sélection de profils de référence pour la validation du CQ, etc. La structure verticale de ces grappes donne en outre une représentation très synthétique des grandes zones océaniques qui peut être utilisée pour la réduction de la dimensionnalité et les comparaisons corrélatives cohérentes dans la (ré)-analyse des données océaniques ou les simulations <ref name=":0" />.
 
Appuyée par le Fonds de résultats pour l’exercice 2020-2021, une validation de principe a été élaborée pour un modèle prédictif permettant de trouver des (dis-)similitudes entre les profils multidimensionnels in situ des données océanographiques de l’océan Pacifique. Les profils CTP (Conductivité-Température-Profondeur) in situ sont classés selon le modèle de classification des profils <ref name=":0">https://pyxpcm.readthedocs.io/en/latest/index.html</ref>. Le modèle de classification des profils océaniques permet d’assembler automatiquement les profils océaniques en grappes en fonction des similitudes de leur structure verticale. Les propriétés géospatiales de ces grappes peuvent servir à résoudre une grande variété de problèmes océanographiques, par exemple la détection des fronts, l’identification des masses d’eau, l’établissement de cartes en courbes de niveau des régions naturelles (tourbillons, remous), la sélection de profils de référence pour la validation du CQ, etc. La structure verticale de ces grappes donne en outre une représentation très synthétique des grandes zones océaniques qui peut être utilisée pour la réduction de la dimensionnalité et les comparaisons corrélatives cohérentes dans la (ré)-analyse des données océaniques ou les simulations <ref name=":0" />.
    
Nous avons appliqué le modèle de prévision pour regrouper un total de 3 602 profils CTP, en fonction de leur valeur de la température uniquement, dont le point de données final est inférieur à 1 000 dbar. Les résultats ont montré que le jeu de données des profils de la température contient neuf groupes de modèles de chaleur verticalement cohérents ou classes. Chacune de ces classes de profils de la température révèle des distributions de la chaleur uniques et physiquement cohérentes le long de l’axe vertical. Lorsqu’on les cartographie dans l’espace, on constate que chacune des neuf classes définit une région océanique, même si aucune information spatiale n’a été utilisée dans la détermination du modèle. Le modèle est également capable de montrer des phénomènes naturels tels que les bras de mer, représentés par des observations violettes dans la figure ci-dessous.
 
Nous avons appliqué le modèle de prévision pour regrouper un total de 3 602 profils CTP, en fonction de leur valeur de la température uniquement, dont le point de données final est inférieur à 1 000 dbar. Les résultats ont montré que le jeu de données des profils de la température contient neuf groupes de modèles de chaleur verticalement cohérents ou classes. Chacune de ces classes de profils de la température révèle des distributions de la chaleur uniques et physiquement cohérentes le long de l’axe vertical. Lorsqu’on les cartographie dans l’espace, on constate que chacune des neuf classes définit une région océanique, même si aucune information spatiale n’a été utilisée dans la détermination du modèle. Le modèle est également capable de montrer des phénomènes naturels tels que les bras de mer, représentés par des observations violettes dans la figure ci-dessous.
 +
 +
== References ==

Navigation menu

GCwiki