Simultaneous Assimilation and Downscaling of Simulated Sea Surface Heights with Deep Image Prior

Arthur Filoche (1) , Dominique Béréziat (1)

1 PEQUAN - Performance et Qualité des Algorithmes Numériques

Oceanographic observations exist with different spatio-temporal resolutions and can be assimilated at various resolutions. The availability of numerous numerical simulations like ocean re-analysis makes supervised machine learning appealing to deal with scale-related inverse problems. However, data assimilation at finest resolutions using detailed oceanographic models is computationally intensive, and building an exhaustive database may not be practical. In this work, we investigate the use of a deep image prior within the variational data assimilation framework to simultaneously assimilate and downscale sea surface height observations. The algorithm then estimates the whole high-resolution system state trajectory in a fully-unsupervised manner. We set a twin assimilation experiment using a shallow-water model and compare the results with traditional methods to demonstrate its use. We observe that using a deep image has a strong regularizing effect.

Les observations océanographiques existent à différentes résolutions spatio-temporelles et peuvent être assimilées à résolutions variables. La disponibilité de simulations numériques, telles que des réanalyses, rendent pertinent l'apprentissage supervisé pour traiter des problèmes inverses liés aux échelles. Toutefois, l'assimilation de données aux résolutions les plus fines de ces modèles océanographiques est très coûteux en ressource de calcul et construire ainsi une base d'apprentissage n'est difficilement qu'accessible. Dans ce travail, nous nous intéressons à l'utilisation d'un réseau génératif de type "deep image prior" à l'intérieur même d'un algorithme d'assimilation variationnelle de données et cela pour assimiler à échelle grossière des observations de la hauteur d'eau de la surface océanographique. L'algorithme reconstruit alors les hauteurs d'eau à échelle plus fine et cela de façon non supervisée. Nous illustrons les performances de l'algorithme sur des expériences jumelles en utilisant un modèle shallow-water et en les comparant avec des méthodes classiques. Nous constatons que l'utilisation d'un réseau "deep image prior" a des effets régularisants forts.

Mots clés: Shallow water; Deep Image Prior; Data assimilation; Sea surface height downscaling

Domaines: Traitement des images [eess.IV]; Réseau de neurones [cs.NE]; Milieux et Changements globaux

Arthur Filoche, Dominique Béréziat. Simultaneous Assimilation and Downscaling of Simulated Sea Surface Heights with Deep Image Prior. RFIAP (Congrès Reconnaissance des Formes, Image, Apprentissage et Perception), Jul 2022, Vannes, France. ⟨hal-03682250⟩