Inversion neuronale pour la reconstruction de profils de salinité océanique en Atlantique tropical à partir de mesures de surface et de hauteurs d'eau

Water exchanges within the global hydrological cycle are determined by complex constraints that form the basis of climate dynamics system.Ocean salinity (S) is one of the most delicate variables to monitor in this cycle. The in-situ measurements cover only limited resolutions. While surface measurements have good spatio- temporal coverage. In this thesis, we reconstruct ocean S profile in the tropical Atlantic from surface parameters (SSH-ADT, SST, SSS). The developed inversion model (INV2) comes in 2 parts. The exploratory part allowed to know that the latitude is related to the S of the subsurface and the depth while the SSS is linked to S of surface and near surface but not to the studied surface parameters. The latitude is strongly linked to the SSH (ADT) and the SST. Based on this preliminary study, we have implemented INV2 which is based on a sequential 3 steps algorithm (2 projections on a SOM and an optimal research). INV2 could reconstructed the S profiles simulated by the DRAKKAR model with mean absolute errors less than 0.08 psu on almost all the profile. With the in situ Coriolis data , the rmse are around 0.172 psu on individual profiles 0.037 psu on average profiles. The largest errors were noted at the halocline and in MSW areas. After the evaluation, a S profiles completion algorithm was also proposed. The INV2 performances obtained showed that this neural approach is adequate for 3D reconstruction of oceanic S when knowledge is limited to the surface.Les échanges d'eau au sein du cycle global hydrologique sont déterminés par des contraintes mécaniques et thermodynamiques complexes qui forment les bases du système de dynamique du climat. La salinité océanique (S) est l’une des variables de ce cycle les plus délicates à observer. Les mesures in-situ ne permettent pas une bonne connaissance de la structure interne de l'océan car ne couvrent que des résolutions spatiales et temporelles souvent limitées. Alors que les mesures de surface offrent une bonne couverture spatio-temporelle. L’objectif principal de cette thèse est de reconstruire le profil de S océanique à partir des données de surface (SSH: Sea Surface Height, l’ADT : Absolute Dynamic Topography, la SST: Sea Surface Temperature, la SSS: Sea Surface Salinity) en Atlantique tropical. Le modèle d'inversion (INV2) que nous avons développé est décliné en 2 parties. La partie exploratoire a permis de savoir, non seulement, que la latitude est liée aux S de subsurface et de profondeur alors que la SSS est liée au S de proche surface et de surface mais aussi que la SSS n’est linéairement liée à aucun des paramètres de surface étudiés alors que la latitude est fortement liée à la SSH (ADT) et à la SST. Partant de cette étude préalable, nous avons mis en place INV2 qui est basé sur un algorithme séquentiel à 3 étapes (2 projections sur une SOM et une recherche optimale). INV2 a pu reconstruire les profils de S simulés par le modèle DRAKKAR avec des erreurs absolues moyennes inférieures à 0.08 psu sur presque tout le profil. Avec les mesures in situ Coriolis, les erreurs moyennes de INV2 tournent autour de 0.172 psu sur les profils individuels et 0.037 psu sur les profils moyens. Les plus fortes erreurs ont été notées au niveau de l’halocline et dans les zones de MSW. Après une évaluation, un algorithme de complétion de profils de S a été également proposé. Les performances obtenues en utilisant le modèle prouve que cette approche est adéquate pour la reconstruction 3D de S océanique quand la connaissance se limite à la surface