Diagnosing 3D ocean fine-scale dynamics: towards a full integration of models, remote-sensing and in-situ observations through machine-learning and variational approaches

Abstract

[eng] The ocean plays a fundamental role in many crucial aspects of human safety, health, and well-being, due to the cumulative impacts of climate change, unsustainable exploitation of marine resources, pollution, and uncoordinated development. This work aims to progress toward characterizing the 3D ocean fine-scale dynamics embracing phenomena < 100 km assessing the limits of classical analysis methodologies and developing new ones. This thesis is mainly based on the data collected in two experiments: PRE-SWOT and CALYPSO-19’. The first aims to compare observations from present-day altimeters with measurements from different in-situ instruments reaching the exact target resolution of a new satellite called SWOT: 20 km. Instead, within CALYPSO, we aim to reveal the Lagrangian Pathways from the Ocean Surface to the Interior. Chapter 3 starts dealing with the sampling challenges of the two multi-platform experiments. We implement various Observing System Simulation Experiments and analysis of the in-situ measurements to estimate the spatial and temporal scales involved in the phenomena studied. In PRE-SWOT, the limits of the current altimeter constellation in resolving small-scale dynamics were highlighted by an Optimal Interpolation (OI) from our dense hydrographic sampling. We implement a 400 m resolution nested simulation for further OSSEs that quantified the interpolation error as the 20% due to the lack of synopticity of the 5 days cruise. Regarding CALYPSO, we initially focused on current measurements made with the Acoustic Doppler Current Profiler (ADCP), suggesting a strong convergence in a small anticyclonic eddy. Our efforts in disentangling the inertial contamination in this signal lead to an estimation of the error as 30%. Satellite altimeters suggested an eddy intensification compatible with an isopycnal deepening and, thus, a strong convergence during the sampling days. Such comparisons, now limited by the altimeter constellation resolution, evidence the need for SWOT. In Chapter 4, we expanded the analysis on the CALYPSO data set, developing a multi-variate variational analysis (VA) combining the 1 km horizontal resolution of the Underway Conductivity-Temperature-Depth (UCTD) system with information on the flow shape from the ADCP velocities. This analysis through a physical constraint based on the thermal wind relation better preserves fine-scale gradients and improves the agreement with drifters’ trajectories by a 15% compared to the OI. Quasi-geostrophic (QG) and semi-geostrophic (SG) omega equations enabled us to estimate the vertical velocity (w), which reached 40 m/day on a frontal area crossed during the sampling. How nutrients leave the mixed-layer and subduct is estimated with 3D advection from the VA, which agreed with CTD biological sampling at two eddy locations. We separated w into isopycnal and uplift components revealing how the first account for the 60% of the total at fronts. In Chapter 5, aware of the challenges of a full 3D reconstruction of the ocean state for classical interpolation techniques, we moved to the promising deep-learning techniques. We developed a CLuster Optimal Interpolation Neural Network (CLOINet), which segments the remote sensing images into clusters revealing non-local correlations and enhancing ocean fine-scale reconstruction. We showed how in further OSSE in reconstructing the deep salinity fields given the sea surface temperature (SST) or the Sea Surface Height (SSH) together with sparse in-situ salinity observations. As a result, we decreased the reconstruction error of the 25% and resolved 50% smaller scales compared to the baseline OI. Furthermore, even if we trained our neural network purely with simulated data, we improved by a 35% the reconstruction of a real SST field, relying on glider temperature observations and satellite chlorophyll concentration. This work integrated observations, physics knowledge, numerical models, and modern techniques like VA and deep-learning to reconstruct the ocean state and dynamics. These advances lead the way toward a digital-twin of the ocean.

[spa] El oc´eano desempe˜na un papel fundamental en muchos aspectos cruciales de la seguridad, la salud y el bienestar humano, debido a los impactos acumulados del cambio clim´atico y la explotaci´on insostenible de los recursos marinos. Este trabajo pretende avanzar hacia la caracterizaci´on de la din´amica oce´anica 3D a peque˜na escala, abarcando fen´omenos < 100 km y evaluando en este contexto los l´ımites de metodolog´ıas cl´asicas de an´alisis y desarrollando otras nuevas. Esta tesis se basa principalmente en datos de dos experimentos: PRE-SWOT y CALYPSO-19’. El primero tiene como objetivo comparar las observaciones de los alt´ımetros actuales con las mediciones de diferentes instrumentos in-situ que logran la resoluci´on objetivo del nuevo sat´elite llamado SWOT: 20 km. En cambio, CALYPSO, se centra en revelar las trayectorias lagrangianas desde la superficie del oc´eano hasta el interior. En el cap´ıtulo 3 tratamos los retos del muestreo espacio-temporal de los dos experimentos multiplataforma. Implementamos varios Observing System Simulation Experiments (OSSE) y an´alisis de las medidas in-situ para estimar las escalas espaciales y temporales implicadas en los fen´omenos estudiados. En PRE-SWOT, estimamos mediante Interpolacio´n O´ ptima (OI) del muestreo hidrogra´fico los l´ımites de la constelacio´n actual de alt´ımetros para resolver din´amicas a peque˜na escala. Implementamos una simulaci ´on anidada de resoluci´on 400 m para realizar OSSEs con la que cuantificamos un error de interpolaci´on del 20% debido a la falta de sinopticidad del muestreo de 5 d´ıas. En cuanto a CALYPSO, inicialmente nos centramos en las mediciones de corriente realizadas con el Acoustic Doppler Current Profiler (ADCP), que indicaban una fuerte convergencia en un peque˜no remolino anticicl´onico. Nuestros esfuerzos por desvelar la contaminaci´on inercial en esta se˜nal nos llevaron a estimar un error del 30%. Por otro lado, los mapas altim´etricos contemp´oraneos al muestreo in-situ sugieren una inxiii tensificaci´on del remolino compatible con un hundimiento de las isopicnas. Tales comparaciones, ahora limitadas por la resoluci´on de la constelaci´on actual de alt´ımetros, evidencian la necesidad de SWOT. En el Cap´ıtulo 4, profundizamos el an´alisis sobre el conjunto de datos del experimento CALYPSO. Desarrollamos un an´alisis variacional multivariante (VA) que combina la resoluci´on horizontal de 1 kmdel sistema Underway Conductivity-Temperature- Depth (UCTD) con informaci´on sobre las direcciones de las velocidades del ADCP. Este an´alisis mediante un v´ınculo f´ısico basado en la relaci´on del viento t´ermico preserva mejor los gradientes a escala fina y mejora la concordancia con las trayectorias de los drifters de un 15% en comparaci´on con los resultados de OI. Las ecuaciones omega cuasi-geostr´ofica (QG) y semi-geostr´ofica (SG) nos permitieron estimar la velocidad vertical (w) de 40 m/d´ıa en un frente que se cruz´o durante el muestreo. Utilizando una advecci´on 3D con el VA, se estimaron las trayectorias de subducci´on de los nutrientes desde la capa de mezcla hac´ıa capas m´as profundas. Los resultados obtenidos coinciden con el muestro biol´ogico del CTD. Separamos w en sus componentes de velocidad a lo largo de la isopicna y la de elevaci´on de la isopicna revelando c´omo la primera supone el 60% del total en los frentes. En el cap´ıtulo 5, describimos el desarrollo de una red neuronal de interpolaci´on ´optima con cl´usteres (CLOINet), que segmenta las im´agenes de teledetecci´on y revela correlaciones no locales para mejorar la reconstrucci´on a escala fina del oc´eano. Demostramos con OSSE que se puede reconstruir los campos de salinidad en capas profundas a partir de la temperatura superficial del mar o de su altura en combinaci´on con pocas observaciones observaciones de salinidad in-situ. El error de reconstrucci´on se reduce un 25% y se resuelve un 50% de escalas m´as peque˜nas en comparaci´on con la OI. Adem´as, aunque entrenamos nuestra red neuronal ´unicamente con datos simulados, mejoramos en un 35% la reconstrucci´on de datos reales. Este trabajo ha integrado observaciones, parametrizaci´on f´ısica, modelos num´ericos y t´ecnicas innovadoras como la VA y el aprendizaje profundo para reconstruir el estado y la din´amica del oc´eano. Estos avances abren el camino hacia lo que se ha dado en llamar ”el gemelo digital” del oc´eano.

[cat] L’oce`a juga un paper fonamental en molts dels aspectes relacionats amb la salut humana, la seguretat i el benestar social degut a l’impacte acumulat del canvi clim`atic, la contaminaci´o, l’explotaci´o insostenible del recursos marins. Aquest treball t´e com objectiu contribuir en la caracteritzaci´o de les din`amiques oce`aniques que ocorren a gran escala, que abasten fen`omens de fins a 100km, tenint en compte les limitacions anal´ıtiques de la metodologia tradicional alhora que se’n desenvolupen de noves. Aquesta tesi es basa principalment en dades de dos experiments: PRE-SWOT i CALYPSO-19’. Per una banda, en el primer experiment (PRE-SWOT), l’objectiu ´es comparar les dades observades en alt´ımetres a temps real amb les mesures d’altres instruments d’alta precisi´o, els quals tenen la resoluci´o exacta del sat`el·lit SWOT : 20 mathrm km. Per altra banda, en l’experiment CALYPSO, pretenem revelar els camins Lagrangianes que van des de la superf´ıcie fins a l’interior de l’oce`a. El Cap´ıtol 3 comenc¸a amb els reptes de mostreig dels dos experiments multiplataforma. Implementem diversos Experiments de Simulaci´o de Sistemes d’Observaci´o (OSSE) i an`alisi de les mesures a temps real per estimar les escales espacials i temporals implicades en els feno`mens que hem estudiat. A PRE-SWOT, la Interpolacio´ O` ptima (OI) del nostre ampli mostreig hidrogr`afic posa de manifest la limitaci´o de l’actual constel·laci´o d’alt´ımetre per resoldre din`amiques a petita escala. Implementem una simulaci´o niada de 400 m de resoluci´o per a m´es OSSE, que quantifica l’error d’interpolaci´o com el 20% a causa de la manca de sin`optica del creuer de 5 dies. Pel que fa a CALYPSO, inicialment ens centrem en les mesures de l’Ac´ustic Doppler Current Profiler (ADCP), que ens suggereixen una converg`encia forta en un petit remol´ı anticicl`onic. Els nostres esforc¸os per desentranyar la contaminaci´o inercial en aquest senyal ens van portar a estimar l’error en 30%. E Els alt´ımetres de sat`el·lit van suggerir una intensificaci´o del remol´ı compatible amb un aprofundiment isopicnal.Tals comparacions, ara limitades xv per la resoluci´o de la constel·laci´o d’alt´ımetres, evidencien la necessitat de SWOT. En el Cap´ıtol 4, s’amplia l’an`alisi sobre el conjunt de dades de CALYPSO, desenvolupant una an`alisi de variaci´o multivariat (VA) que combina la resoluci´o horitzontal 1 mathrmkm del sistema de Conductivitat-Temperatura-Profunditat (CTD) amb informaci ´o sobre l’estructura de flux de les velocitats de l’ADCP. Aquest an`alisi, per mitj`a d’una restricci´o f´ısica basada en la relaci´o de vent t`ermic, preserva millor els gradients a gran escala i presenta un increment del 15% de coincid`encia amb les traject`ories dels drifters respecte de la coincid`encia amb l’OI. Les equacions d’omega del Quasigeostr` ofic (QG) i semi-geostr`ofic (SG) ens permeten estimar la velocitat vertical (w), que assoleix els 40 m/dia en una `area frontal creuada durant el mostreig. L’advecci´o 3D de la VA ens permet estimar la subducci´o de nutrients des de la capa de mescla, la qual coincideix amb el mostreig biol`ogic de la CTD de dos punts de remol´ı. Separem w en components isopycnals i uplift, demostrant que el primer component contribueix un 60% al total dels fronts. En el Cap´ıtol 5, conscients dels reptes d’una reconstrucci´o completa en 3D de l’estat de l’oce`a per a les t`ecniques cl`assiques d’interpolaci´o, optem per les prometedores t`ecniques de deep-learning. Desenvolupem una Xarxa Neural d’Interpolaci´o Optima (CLOINet), que segmenta les imatges de detecci´o remota en grups, que revelen correlacions no locals, i milloren la reconstrucci´o a gran escala de l’oce`a. Demostrem com reconstruir, amb OSSE, els camps de salinitat profunda a partir de la temperatura superficial (TSM) o l’altura superficial del mar (SSH), juntament amb escasses observacions in situ de la salinitat. Disminu¨ım l’error de reconstrucci´o del 25% i vam resoldre 50% escales m´es petites en comparaci´o amb la OI. A m´es, encara que entrenem la nostra xarxa neuronal ´unicament amb dades simulades, millorem d’un 35% la reconstrucci´o de dades reals. Aix´ı doncs, aquest treball integra observacions, coneixement de f´ısica, models num`erics, i t`ecniques modernes com el VA i el deep-learning per reconstruir l’estat i la din`amica de oce`a. Aquests avenc¸os ens permetrien obtenir un bess´o digital de l’oce`a.