nom_organisme nom_organisme nom_organisme nom_organisme
LSCE: offre de thèse en modélisation du climat: machine learning pour la modélisaiton du climat, potentiels et écueils  

Les candidatures à la thèse en modélisation du climat: "machine learning pour la modélisaiton du climat, potentiels et écueils", financée par le CEA, sont ouvertes.

Si vous êtes intéressés, merci d'envoyer: cv, relevés de notes post-bac, lettre de motivation et contacts de personnes référentes à Masa Kageyama (LSCE, Masa.Kageyama _at_ lsce.ipsl.fr), Mathieu Vrac (Mathieu.Vrac _at_ lsce.ipsl.fr) et Thomas Dubos (LMD, Thomas.Dubos _at_ lmd.ipsl.fr)

Résumé:

L’anticipation du climat futur est un enjeu vital pour nos sociétés. La modélisation numérique du climat joue un rôle central dans cette anticipation. Les modèles de climat sont d'abord construits pour représenter le climat récent. Leur capacité éventuelle à représenter les climats passés froids ou chauds contribue fortement à asseoir leur crédibilité pour anticiper des climats futurs jamais rencontrés par l’humanité. La modélisation numérique du climat s’appuie sur les principes fondamentaux de la physique, exprimés directement pour les phénomènes d’échelle spatio-temporelle suffisante pour être résolus par le modèle, ou statistiquement et semi-empiriquement pour les phénomènes sous-maille. Le machine learning est une technique de modélisation statistique ‘sans physique’ qui a connu récemment de remarquables progrès. Des travaux pionniers [Gentine et al, 2018] suggèrent que certaines parties du modèle, notamment tout ou partie des modules sous-maille de la composante atmosphérique, pourraient reposer sur des techniques de machine learning et ainsi potentiellement gagner en efficacité numérique. La thèse explorera l’apport potentiel des techniques de machine learning pour la modélisation des climats présents passés et futurs. Le projet s’appuiera le modèle de climat de l’IPSL et particulièrement sur le jeu de paramétrisations physiques de sa composante atmosphérique, LMDZ. Les difficultés seront abordées progressivement dans le cadre de protocoles expérimentaux de plus en plus réalistes: atmosphère seule en configuration idéalisée dite d'"aquaplanète", atmosphère en configuration réalistes, avec couplage aux surfaces continentales, et si possible atmosphère couplée à un modèle d'océan.

Encadrants: Masa Kageyama, Mathieu Vrac (LSCE) et Thomas Dubos (LMD). Cette thèse bénéficiera également de l’encadrement de Sébastien Fromang et Yann Meurdesoif (sur le modèle atmosphérique) et de l’équipe ESTIMR (Extrêmes : Statistiques, Impacts et Régionalisation) au LSCE (sur les méthodes de machine learning).

 

 

M. Kageyama, dépêche du 20/04/2021
Retour en haut