Projections climatiques utilisant des approches d'apprentissage automatique explicables // Climate Projections Using Explainable Machine Learning Approaches

Ces dernières années, la demande croissante de projections climatiques à haute résolution a conduit au développement de techniques avancées de réduction d'échelle. Les modèles climatiques mondiaux (GCM), bien que capables de simuler des processus climatiques à grande échelle, ont une résolution grossière qui est insuffisante pour les prévisions climatiques régionales ou locales. La réduction d'échelle comble cette lacune en affinant les résultats des GCM pour produire des informations climatiques à petite échelle, essentielles pour des applications locales telles que l'agriculture, la gestion des catastrophes et l'urbanisme. Les techniques traditionnelles de réduction d'échelle observationnelle sont interprétables et faciles à mettre en œuvre, mais elles ne parviennent pas à capturer des modèles plus complexes, tels que ceux présents dans les événements météorologiques extrêmes. Dans cette thèse, nous tirons parti des avancées récentes dans les approches d'apprentissage statistique et d'apprentissage automatique pour développer de nouvelles méthodes de réduction d'échelle du climat. Notre approche se concentre spécifiquement sur les méthodologies basées sur des modèles statistiques combinées à l'apprentissage automatique, ce qui améliore non seulement les performances mais aussi l'interprétabilité grâce à une IA explicable.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

In recent years, the increasing demand for high-resolution climate projections has driven the development of advanced downscaling techniques. Global Climate Models (GCMs), while capable of simulating large-scale climate processes, have a coarse resolution that is insufficient for regional or local climate predictions. Downscaling bridges this gap by refining GCM outputs to produce fine-scale climate information, critical for local applications such as agriculture, disaster management, and urban planning. Traditional observational downscaling techniques are interpretable and easy to implement, however, they fail to capture more complex patterns, such as those present in extreme weather events. In this thesis, we leverage recent advancements in both statistical learning and machine learning approaches to develop new methods for climate downscaling. Our approach specifically focuses on statistical model-based methodologies combined with machine learning, which not only enhances performance but also improves interpretability through explainable AI.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Programme COFUND DeMythif.AI*

Université Paris-Saclay GS Informatique et sciences du numérique

580 Sciences et Technologies de l'Information et de la Communication

Le candidat doit posséder une solide formation en mathématiques appliquées et en statistiques, avec une expertise en techniques de machine learning et/ou deep learning. D'excellentes compétences en programmation, notamment en Python ou R ou MATLAB sont indispensables. Une pensée analytique, des compétences en résolution de problèmes et la capacité de communiquer efficacement des résultats complexes dans un contexte de recherche sont également nécessaires.
The candidate should have a strong background in applied mathematics and statistics, with expertise in machine learning and/or deep learning techniques. Excellent programming skills in Python or R or MATLAB are essential. Analytical thinking, problem-solving skills, and the ability to communicate complex findings effectively in a research setting are also required.