Line 33: |
Line 33: |
| 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 couvrant la période de 2000 à 2019, en fonction de leurs valeurs de température et de salinité. Les résultats initiaux ont montré que l’ensemble de données contient neuf groupes de classes verticalement cohérentes. Chacune de ces classes 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 aucun renseignement spatial n’a été utilisé 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. |
| [[File:Ocean data before after.png|center|thumb|827x827px|'''<small>Les profils océaniques avant et après l’application du modèle de prévision</small>''']] | | [[File:Ocean data before after.png|center|thumb|827x827px|'''<small>Les profils océaniques avant et après l’application du modèle de prévision</small>''']] |
| En outre, il est possible de relever des profils anormaux en examinant dans quelle mesure un profil océanique s’écarte de sa grappe. Dans la figure ci-dessous, les résultats ont montré qu’il y a un total de quatre profils qui peuvent être anormaux. Les profils ainsi déterminés appartiennent aux grappes 0, 4 et 6. | | En outre, il est possible de relever des profils anormaux en examinant dans quelle mesure un profil océanique s’écarte de sa grappe. Dans la figure ci-dessous, les résultats ont montré qu’il y a un total de quatre profils qui peuvent être anormaux. Les profils ainsi déterminés appartiennent aux grappes 0, 4 et 6. |
| [[File:Anomlous profiles.png|center|thumb|503x503px|'''<small>Application du modèle de prévision pour relever les profils anormaux</small>''']] | | [[File:Anomlous profiles.png|center|thumb|503x503px|'''<small>Application du modèle de prévision pour relever les profils anormaux</small>''']] |
| Au final, le modèle peut fournir aux océanologues un outil axé sur les données pour analyser les données océaniques. | | Au final, le modèle peut fournir aux océanologues un outil axé sur les données pour analyser les données océaniques. |
| + | |
| + | |
| + | == Prochaines étapes == |
| + | Compte tenu de la fonctionnalité des avantages potentiels du modèle maintenant établie à l’étape de la validation de principe, la prochaine étape consiste à déployer le modèle dans un environnement d’essai sur le terrain afin d’explorer la valeur opérationnelle qu’il peut offrir dans un contexte réel. À l’instar du modèle de contrôle de la qualité CTP, ce modèle devrait être déployé au moyen d’une extrémité en temps réel sur une plateforme d’analyse infonuagique. Les communications sur le modèle seront gérées au moyen d’un programme côté client et les résultats du modèle seront fournis au moyen d’un tableau de bord Power BI interactif. Cette architecture permettra aux utilisateurs d’envoyer facilement de nouvelles données au modèle à des fins de traitement et d’examiner les résultats dans des cartes interactives avec des annotations de données. |
| | | |
| == Références == | | == Références == |