Description du sujet
La salinité de surface de la mer (SSS) est un paramètre clé pour comprendre la circulation océanique, le cycle de l’eau et les échanges de CO₂ entre l’océan et l’atmosphère. Elle peut être mesurée à l’échelle globale par satellite, en particulier grâce à la mission SMOS, qui fournit des observations continues depuis plus d’une décennie. Cependant, ces données restent limitées par leur résolution spatiale relativement grossière (1/4°), ce qui empêche de représenter correctement les structures fines de la dynamique océanique comme les panaches fluviaux, les fronts côtiers ou encore la variabilité sous-mésoéchelle. À l’inverse, les modèles assimilatifs de type GLORYS offrent des champs cohérents à haute résolution, de l’ordre du douzième de degré, mais qui ne constituent pas des observations directes et intègrent des contraintes et approximations propres à la modélisation.
Dans ce contexte, de récents travaux méthodologiques dans le cadre d’un projet SUMO financé par le CNES, ont montré que des modèles de diffusion guidés par des variables auxiliaires à haute résolution (1/12°), comme la température de surface (SST), permettent de reconstruire de manière réaliste les structures fines de la salinité à partir de champs dégradés, ceci appris sur des données issues du modèle GLORYS.
Objectif
Le stage qui se situe à la suite de ces premiers travaux de recherche se fera dans un cadre pluridisciplinaire : les scientifiques encadrants étant Data scientists, océanographes ou biologistes.  Il s’agira d’aborder le délicat problème de l’utilisation des données observées. De quelle manière valider, à partir de l’observation satellitaire (SMOS à 1/4°)) et des données in-situ issues des campagnes en mer, les modèles de diffusions.
Le stage explorera plus en détail les possibilités offertes par les techniques génératives de pointe telles que la Diffusion ou bien la Correspondance de Flux (Flow Matching) pour la super-résolution et l’assimilation, en les appliquant au problème de Correspondance de distributions (Distribution Matching). À partir du framework de Diffusion existant pour la super-résolution, l’objectif est de développer une nouvelle méthode permettant de faire correspondre directement les données satellitales SMOS aux données du modèle haute résolution.
L’objectif principal sera ici de s’inspirer des méthodes, initialement testées sur des sorties de modèles, et de considérer les nouvelles données à disposition (SMOS, in-situ). Plusieurs approches pourront se combiner comme :
·     Définir un cadre méthodologique permettant de comparer directement GLORYS à 1/4° et SMOS à 1/4° et faire une généralisation de domaine ou un réapprentissage par renforcement.
·     Aborder directement le problème le passage de SMOS (1/4°) à Gloris (1/12°)
Les reconstructions feront l’objet de validation qualitatives et quantitatives afin de prouver leur validité géophysique.
Les données
Le stage s’appuiera sur plusieurs sources de données complémentaires. Les observations de salinité issues de la mission SMOS CCI seront utilisées comme référence satellitaire à 1/4° de résolution, tandis que les champs issus du modèle assimilatif GLORYS12 (produits Copernicus, 1/12°) serviront de base haute résolution pour la comparaison et l’évaluation. Pour guider les modèles de diffusion, des données auxiliaires de température de surface (SST) seront mobilisées, en particulier le produit CCI SST (ESA Climate Change Initiative), disponible à une résolution de 5 km.  Enfin, la validation indépendante des reconstructions s’appuiera sur des observations in situ provenant des bases internationales Pi-MEP et SOCAT, qui regroupent des millions de mesures de SSS collectées depuis plusieurs décennies. Cette combinaison de données permettra d’évaluer à la fois la cohérence spatiale, la fidélité des gradients et la robustesse des champs reconstitués face aux conditions observées.
Bibliographie :
Theo Archambault Anastase Charantonis Dominique Bereziat Carlos Mejia Jean-Marc Molines Michel Crépon Sylvie Thiria, Charles Sorror. Downscaling of ocean fields by fusion of heterogeneous observations using deep learning algorithms. Ocean Modelling, 2023.
Sylvie Thiria, Charles Sorror, Theo Archambault, Anastase Charantonis, Dominique Bereziat, Carlos Mejia, Jean-Marc Molines, and Michel Crepon. Downscaling of ocean fields by fusion of heterogeneous observations using deep learning algorithms. Ocean Modelling, 182:102174, 2023.
Laboratoire d’accueil et Équipe de recherche: Laboratoire LOCEAN, Sorbonne-Université, Paris
Sylvie Thiria (sylvie.thiria@locean.ipsl.fr), Carlos Mejia (carlos.mejia@locean.ipsl.fr), Enzo Forestier(enzo.forestier@locean.ipsl.fr), Roy ElHourani (roy.elhourany@univ-littoral.fr)
Educational Background: Ongoing studies (Master’s or engineer’s) in computational science, machine learning, or related fields.
Envoyer CV, cover letter à sylvie.thiria@locean.ipsl.fr et carlos.mejia@locean.ipsl.fr
Thème scientifique de l’IPSL concerné : SAMA
Durée du stage: 6 months (March – October) (Flexible)
Technical Skills:
Experience in deep learning and data processing, particularly with large datasets.
Proficiency in Python and relevant machine learning libraries (PyTorch).
Familiarity with geospatial data and satellite observations is a plus (not mandatory).
Analytical Skills: Ability to understand and work with oceanographic processes and related datasets.
Communication & Collaboration: Ability to work in a multidisciplinary environment and communicate results effectively.