BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-213@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20241204T100000 DTEND;TZID=Europe/Paris:20241204T100000 DTSTAMP:20241119T163917Z URL:https://www.lisn.upsaclay.fr/evenements/apprentissage-statistique-pour -les-modeles-climatiques/ SUMMARY:Apprentissage statistique pour les modèles climatiques  DESCRIPTION:Les modèles climatiques peinent à représenter précisément les structures de circulation atmosphérique liées aux événements extr êmes\, et notamment leurs variations régionales. Cette thèse explore co mment l’Allocation Latente de Dirichlet (LDA)\, une méthode d’apprent issage statistique issue du traitement du langage naturel\, peut être uti lisée pour évaluer la représentation par modèles climatiques de donné es telles que la pression au niveau de la mer (SLP). La LDA identifie un j eu de structures locales (ou motifs) à l’échelle synoptique\, interpr étables physiquement comme des cyclones et des anticyclones. La même bas e de motifs peut servir à décrire les données issues des modèles et de s réanalyses\, permettant de représenter toute carte SLP par une combina ison parcimonieuse de ces motifs. Les coefficients\, ou poids\, de ces com binaisons fournissent une information locale sur la configuration synoptiq ue de la circulation. Les analyser permet de caractériser la structure de la circulation dans les réanalyses et les modèles\, et ainsi d’identi fier localement des biais globaux ou spécifiques aux événements extrêm es. Une erreur dynamique globale peut être définie à partir des différ ences de poids des données modèles avec les réanalyses. Cette méthodol ogie a été appliquée à quatre modèles de CMIP6. Bien que les modèles représentent correctement en général lacirculation à grande échelle\ , leurs erreurs sont plus élevées pour les vagues de froid et de chaleur . Une source d’erreur dans tous les modèles est liée aux motifs médit erranéens. Des critères d’évaluation supplémentaires ont été propo sés. L’un s’appuie sur la fréquence d’apparition des motifs dans l a représentation des cartes de pression. L’autre consiste à combiner l ’erreur dynamique globale avec l’erreur de température\, ce qui perme t de différentier entre les modèles. Ces résultats démontrent le poten tiel de la LDA pour l’évaluation et la préselection des modèles.\nCet te \;soutenance \;se fera en présence du jury composé de :\nMarc BOCQUET\, Professeur\, CEREA\, école des ponts\nCorentin HERBERT\, Charg é de recherche CNRS\, ENS de Lyon\nMathieu VRAC\, Directeur de recherche CNRS\, LSCE\nFrançois YVON\, Directeur de recherche CNRS\, ISIR\, Sorbonn e Université CATEGORIES:M-E,Thèses et HDR LOCATION:LISN Site Belvédère\, Rue du Belvédère Campus universitaire b ât 507 91405 Orsay\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Rue du Belvédère Campus universitaire bât 507 91405 Orsay\, France;X-APPLE-RADIUS=100;X-TITLE=LIS N Site Belvédère:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20241027T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR