Difference between revisions of "L’IA au service de l’océanographie"
| (14 intermediate revisions by 2 users not shown) | |||
| Line 1: | Line 1: | ||
| − | ('''English: [[Using AI to advance oceanography]]''' )[[File:B AI Ocean Fr.png| | + | ('''English: [[Using AI to advance oceanography]]''' )[[File:B AI Ocean Fr.png|frameless|527x527px|alt=|right]] |
| − | L’IA peut permettre une approche axée sur les données pour analyser les données océaniques. | + | |
| + | |||
| + | |||
| + | L’IA peut permettre une approche axée sur les données pour analyser les données océaniques. Pêches et Océans Canada (MPO) a créé un modèle de prévision pour passer au crible les piles de données océanographiques et trouver les (dis-)similitudes entre les profils multidimensionnels des données océanographiques. '''Les connaissances acquises grâce au modèle peuvent être utilisées pour répondre à toutes les questions sur les changements dynamiques dans nos océans.''' | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | == Le défi == | ||
| + | [[File:Ocean data.png|thumb|376x376px|'''<small>Comment les données océaniques sont-elles recueillies?</small>''' <ref>https://argo.ucsd.edu/about/</ref>]] | ||
| + | MPO effectue des levés dans les océans du Canada afin d’en surveiller l’évolution et d’effectuer des recherches scientifiques. Le Ministère recueille fréquemment des observations océaniques à l’aide de mesures in situ. Les données océaniques sont considérées comme des données multidimensionnelles, c’est-à-dire que les observations sont collectées à différentes profondeurs de l’océan. La quantité des données océaniques et leurs dimensions sont en forte augmentation. Les scientifiques ont essayé de recourir à des simulations pour simuler l’environnement océanique. Cependant, '''les modèles de simulation océanique ne reflètent pas la relation complexe entre les différentes observations'''. '''De plus, l’analyse traditionnelle des données océaniques repose principalement sur la classification et la reconnaissance manuelles. Ces opérations peuvent nécessiter beaucoup de ressources et de temps, et requièrent un type d’expertise précis.''' | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | == La solution == | ||
| + | [[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>]] | ||
| + | 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. | ||
| + | |||
| + | 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 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>''']] | ||
| + | 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>''']] | ||
| + | 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 == | ||
Latest revision as of 15:17, 9 January 2023
(English: Using AI to advance oceanography )
L’IA peut permettre une approche axée sur les données pour analyser les données océaniques. Pêches et Océans Canada (MPO) a créé un modèle de prévision pour passer au crible les piles de données océanographiques et trouver les (dis-)similitudes entre les profils multidimensionnels des données océanographiques. Les connaissances acquises grâce au modèle peuvent être utilisées pour répondre à toutes les questions sur les changements dynamiques dans nos océans.
Le défi
MPO effectue des levés dans les océans du Canada afin d’en surveiller l’évolution et d’effectuer des recherches scientifiques. Le Ministère recueille fréquemment des observations océaniques à l’aide de mesures in situ. Les données océaniques sont considérées comme des données multidimensionnelles, c’est-à-dire que les observations sont collectées à différentes profondeurs de l’océan. La quantité des données océaniques et leurs dimensions sont en forte augmentation. Les scientifiques ont essayé de recourir à des simulations pour simuler l’environnement océanique. Cependant, les modèles de simulation océanique ne reflètent pas la relation complexe entre les différentes observations. De plus, l’analyse traditionnelle des données océaniques repose principalement sur la classification et la reconnaissance manuelles. Ces opérations peuvent nécessiter beaucoup de ressources et de temps, et requièrent un type d’expertise précis.
La solution
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.
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 [3]. 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 [3].
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.
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.
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
- ↑ https://argo.ucsd.edu/about/
- ↑ 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.
- ↑ 3.0 3.1 https://pyxpcm.readthedocs.io/en/latest/index.html