Changes

no edit summary
Line 28: Line 28:     
== La solution ==
 
== 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.
 
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|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" />.
  
121

edits