Difference between revisions of "L’IA au service de l’océanographie"
| Line 22: | Line 22: | ||
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. | ||
| + | [[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. | ||
== References == | == References == | ||
Revision as of 11:25, 31 December 2021
(English: Using AI to advance oceanography )
L’IA peut permettre une approche axée sur les données pour analyser les données océaniques. Le 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
Pêches et Océans Canada (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, 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.
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.
References
- ↑ 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
