Application des approches d'ensemble à l'assimilation de données télédétectées dans des simulations numériques spatialisées du manteau neigeux saisonnier
Notice bibliographique
Résumé
La connaissance de la variabilité du manteau neigeux est indispensable pour la prévision du risque d'avalanche ainsi que pour le suivi de la ressource en eau. D'une part, la couverture spatio-temporelle des observations in-situ et télédétectées de la neige est limitée. Les réflectances satellites dans le visible et le proche infra-rouge fournissent de précieuses informations sur les propriétés de surface du manteau neigeux mais ont une couverture par- cellaire, notamment à cause des nuages. De la même manière, les observations in-situ de hauteur de neige (HN) ont une représentativité et une couverture spatiale limitées. D'autre part, les modèles détaillés du manteau neigeux offrent la possibilité de simuler la stratigraphie complète du manteau neigeux en tout point. Cependant ceux-ci souffrent d'importantes erreurs provenant de leurs forçages météorologiques ainsi que de leur propre représentation de la physique de la neige. Dans ce contexte, l'assimilation de données, qui permet d'intégrer l'information provenant des observations dans les simulations de ces modèles, semble prometteuse. L'objectif de cette thèse est d'évaluer la capacité de l'assimilation de réflectances satellites et d'observations in-situ de HN à améliorer la simulation du manteau neigeux en montagne. Les problématiques suivantes seront donc abordées : • Les observations de réflectances satellites de la neige permettent-elles de mieux contraindre la modélisation du manteau neigeux en montagne ? • Peut-on propager de l'information sur l'état du manteau neigeux depuis des zones observées vers des zones non-observées ? • Dans quelle mesure peut-on utiliser les observations in-situ de HN pour améliorer les simulations du manteau neigeux dans leur voisinage ? Nous avons choisi d'utiliser une approche d'assimilation de données ensembliste séquentielle, untilisant le Filtre Particulaire (FP) qui est adapté aux modèles détaillés du manteau neigeux. Le système de modélisation d'ensemble est basé sur ESCROC, un ensemble de modèles multi-physiques du manteau neigeux, forcé par un ensemble de perturbations stochastiques des analyses météorologiques SAFRAN. Cette conception permet à la chaîne de modélisation de tenir compte de ses principales sources d'incertitude. Plusieurs versions innovantes du FP ont été développées afin d'assimiler un grand nombre d'observations simultanément, tout en évitant la dégénérescence du FP, un problème apparaissant lorsque le nombre d'observations augmente.(Palchetti et al., 2021). Le potentiel de l'assimilation de réflectances satellites a été estimé en comparant des observations du capteur satellite MODIS avec des sorties de simulations. Des expériences jumelles assimilant des observations partielles nous ont permis d'analyser la capacité du FP à propager de l'information vers des zones non-observées. Enfin, nous avons évalué l'apport de l'assimilation d'un réseau d'observations de HN couvrant les Alpes et les Pyrénées par une approche de validation croisée de type "un contre tous". Nos résultats montrent que l'approche proposée permet d'éviter la dégénérescence du FP tout en réussissant à propager de l'information entre différentes conditions topographiques. Un biais a été mis en evidence dans les observations standard MODIS, qui empêche leur assimilation directe. En revanche, nous avons mis en valeur le bénéfice de l'assimilation de HN dans les zones où les erreurs de modélisation sont systématiques et dépassent la variabilité naturelle. Ce travail ouvre la voie à l'assimilation d'autres produits satellitaires ainsi que d'observations in-situ de HS dans un contexte spatialisé, représentant un saut qualitatif important pour la prévision du risque d'avalanche et l'hydrologie de montagne.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».