Par Matthieu Caillaud · Fondateur, océanographe
La zone côtière est l'une des plus difficiles à prévoir : les vagues, les courants de marée, le vent local et la bathymétrie y interagissent sur quelques centaines de mètres. Aucun modèle opérationnel ne décrit seul l'ensemble de ces processus. La réponse n'est pas un modèle de plus, mais la combinaison raisonnée de plusieurs sources, affinée par apprentissage profond.
Trois modèles, trois rôles complémentaires
Chaque source de données répond à une question précise. Les confondre conduit à des prévisions fausses ; les articuler permet de couvrir l'ensemble de la chaîne du large vers la côte.
- WaveWatch III (WW3) — l'état de mer : hauteur significative, période et direction des vagues à l'échelle du bassin, forcé par le vent.
- CROCO — la circulation côtière haute résolution : courants, niveau d'eau, température et salinité, jusqu'à quelques dizaines de mètres près du trait de côte.
- Copernicus Marine (CMEMS) — les réanalyses et prévisions de bassin qui fournissent les conditions aux limites et un référentiel de validation.
Concrètement, CMEMS et WW3 alimentent les frontières d'un domaine CROCO emboîté sur votre zone d'intérêt. On obtient alors une description physiquement cohérente, du large jusqu'à la plage.
Pourquoi l'IA intervient ici
Augmenter la résolution d'un modèle de circulation a un coût. Pour de nombreux besoins opérationnels — alerte, routage, exploitation d'un site — ce coût n'est ni soutenable ni nécessaire en continu.
Sur l'émulation temporelle, un opérateur neuronal de Fourier (FNO) entraîné sur une vérité terrain CROCO à 250 m évalue les courants barotropes de la rade de Brest sur des fenêtres temporelles multi-départs. L'expérience nécessite un état initial issu du modèle physique ; depuis une condition initiale harmonique, elle ne constitue pas une prévision autonome.
La descente d'échelle proprement dite est un problème distinct, et notre travail est en cours : nous entraînerons des réseaux de neurones convolutifs (architectures de type UNet) à reproduire la relation entre un champ basse résolution et sa version haute résolution, apprise sur un jeu de simulations CROCO de référence. La spécification est arrêtée ; les résultats chiffrés viendront quand le modèle aura été entraîné et confronté à la mesure ADCP. Nous ne publierons pas de gain avant de l'avoir mesuré.
Valider, toujours
Une prévision n'a de valeur que mesurée. Nous quantifions systématiquement l'erreur du modèle par rapport aux observations disponibles — bouées, radars HF, capteurs AWAC, altimétrie satellitaire — via des métriques explicites : RMSE, biais et corrélation, variable par variable.
Cette étape n'est pas un détail de fin de projet. C'est elle qui transforme une sortie de modèle en information sur laquelle décider, et qui fixe le domaine de confiance dans lequel la prévision peut être utilisée.
Ce que cela change pour vous
Cette approche hybride — modèles physiques pour la cohérence, IA pour la résolution et la vitesse, validation pour la confiance — permet de livrer des prévisions côtières exploitables sans infrastructure de calcul lourde. Elle s'applique à l'alerte (submersion, agitation portuaire), au routage maritime météo-océanique et à la caractérisation de sites (énergies marines, ouvrages, aquaculture).
Vous avez un besoin de prévision sur une zone côtière précise ? Parlons de votre projet — nous partons toujours d'un diagnostic des données disponibles et de l'erreur acceptable pour votre usage.
Sources et références
Les métriques, comparaisons et cartes propres à cet article sont des résultats et calculs OceanData Consulting ; les liens ci-dessous documentent les jeux de données, standards et publications mobilisés.
Vous faites face à un défi similaire sur vos données ou modèles ?
Du recalage de modèle physique au post-traitement IA opérationnel, nous intervenons sur vos flux métocéan pour des prévisions fiables et des études chiffrées.