| Titre : | La descente d'échelle des précipitations quotidiennes au Maroc à l'aide de techniques d'apprentissage profond. |
| Auteurs : | ERRACHDI Zineb, Auteur ; LAHLOU Mouanis, Auteur ; EL AABARIBAOUNE Mohammad, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Langues: | Français |
| Mots-clés: | Changement climatique ; Précipitations ; Descente d'échelle ; Réseau de neurones convolutifs (CNN) ; Modèle linéaire généralisé (GLM). |
| Résumé : |
Les impacts du changement climatique mondial sont déjà clairement visibles au Maroc. Au cours des dernières décennies, le climat marocain a été marqué par une diminution des précipitations annuelles. Selon les projections climatiques disponibles, ce phénomène devrait s'intensifier au cours du 21ème siècle, ce qui risque d'exacerber les tensions existantes sur l'utilisation de l'eau et constitue une menace particulière pour le secteur agricole. Des données de précipitations à haute résolution sont cruciales pour mieux évaluer ces impacts et pour informer les actions et stratégies d'adaptation.
À l'échelle mondiale, les sorties des modèles climatiques et les réanalyses fournissent des données à une échelle grossière (généralement entre 25-200 km). Les techniques de descente d'échelle dynamique et statistique sont utilisées pour fournir des informations détaillées à une résolution spatiale fine. La descente d'échelle dynamique est très coûteuse en termes de ressources computationnelles et de temps de calcul. En revanche, l'approche statistique est moins onéreuse et nécessite beaucoup moins de temps de calcul. Cette approche inclut divers modèles statistiques et techniques d'apprentissage automatique, notamment les techniques d'apprentissage profond, qui ont commencé à gagner en importance dans la communauté de la descente d'échelle. Dans ce contexte, nous évaluons la performance des modèles de réseaux de neurones convolutifs (CNNs) pour la descente d'échelle des précipitations quotidiennes au Maroc. Ces architectures d'apprentissage profond sont particulièrement adaptées pour traiter des données structurées de manière spatiale, comme les images ou les grilles de données météorologiques. Il s'agit de la première application de descente d'échelle par CNN au Maroc. Les modèles CNNs ont été entraînés en utilisant des variables atmosphériques à grande échelle provenant des réanalyses ERA5, avec une résolution de 0,25° (environ 31 km) comme prédicteurs, et des données à haute résolution de l'ensemble pondéré multi-source des précipitations (MSWEP), avec une résolution de 0,1° (environ 10 km) comme prévisions. La série chronologique a été divisée en deux périodes : la première pour calibrer les modèles CNNs et la seconde pour la validation. Les résultats des modèles CNNs serait ensuite comparés à ceux issus du modèle linéaire généralisé (GLM), une méthode classique de descente d'échelle. Enfin, les capacités des modèles CNNs pour la descente d'échelle des précipitations sont évaluées en termes de moyennes et d'événements extrêmes. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/ERRACHDI_Zineb_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041285 | 10256 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
