Modèles différentiables et assimilation de données pour la modélisation et la prédiction du système climatique

La modélisation du climat et du système Terre repose sur des modèles numériques complexes décrivant les interactions entre l'atmosphère, l'océan, les surfaces continentales et les autres composantes du système climatique. Malgré les progrès considérables réalisés au cours des dernières décennies, ces modèles restent affectés par des incertitudes liées aux conditions initiales, aux paramètres physiques, aux processus non résolus et aux approximations numériques. Parallèlement, la quantité d'observations disponibles augmente rapidement grâce aux satellites, aux réseaux de mesures et aux campagnes expérimentales. Exploiter efficacement ces observations pour contraindre et améliorer les modèles constitue un défi scientifique majeur. Cette thèse vise à développer une nouvelle génération de méthodes combinant modélisation physique différentiable, assimilation de données et intelligence artificielle. La programmation différentiable et la différentiation automatique permettent de calculer les gradients à travers les différentes composantes d'un modèle numérique. Elles offrent ainsi de nouvelles possibilités pour propager l'information issue des observations à travers le modèle et optimiser les conditions initiales, les paramètres physiques ou certaines composantes apprises. Le projet étudiera comment construire et utiliser des modèles différentiables pour l'assimilation de données dans des systèmes géophysiques complexes. Les travaux porteront notamment sur l'estimation de l'état du système et des paramètres, la calibration des paramétrisations physiques, l'intégration d'observations hétérogènes et l'apprentissage de processus non ou partiellement résolus. Une attention particulière sera portée aux difficultés associées aux systèmes non linéaires et chaotiques, notamment la stabilité et la propagation des gradients sur des horizons temporels croissants. Les méthodes développées seront d'abord évaluées sur des systèmes dynamiques idéalisés permettant une analyse approfondie de leurs propriétés, puis appliquées à des configurations géophysiques et climatiques plus réalistes. Elles seront comparées aux approches classiques d'assimilation de données afin d'évaluer leur précision, leur robustesse et leur efficacité computationnelle. À terme, cette recherche ambitionne de développer de nouveaux outils permettant une intégration plus étroite entre observations, modèles physiques et apprentissage automatique. Elle contribuera à améliorer la calibration, l'initialisation et la prédiction des modèles du système Terre, tout en ouvrant de nouvelles perspectives pour le développement de modèles climatiques hybrides, différentiables et directement contraints par les observations. École doctorale : Sciences de l'Environnement d'Ile-de-France Direction : Pierre GENTINE Financement : Associations, fondations, programmes privés étrangers