Atelier proposé aux étudiant d'Unilasalle en décembre 2025 portant sur la prise en mains de méthodes d'interpolations/réduction de dimensions 2D et Machine Learning (U-net et AE).
Ce notebook présente un atelier pratique sur la réduction de dimensionnalité appliquée aux données océaniques. L'objectif principal est de développer des stratégies pour compresser les données de température de surface (SST) tout en préservant la meilleure qualité de reconstruction possible.
Les données de trvaail sont issues des produit MERCATOR Océan (Glorys12) plus précismsent sur la variable SST (Atlantique Sud à 1/12° de résolution, format .nc). Le script Glorydata.py permet de récupérer le dataset complet utilisé dans l'atelier depuis L'API MLERCATOR.
- Installations et Configuration de l'environnement python (conda)
- Exploration des données Glorys12
- A. Analyse en Composantes Principales (ACP / PCA)
- B. Auto-Encodeur (AE)
- C. U-Net
- Préparation des données (DataLoader, train/test; normalization)
- Implémentation Lightning
- Résultats du comparatif avec visualisation dynaique (ipwidgets)
- PyTorch : Framework deep learning
- PyTorch Lightning : Abstraction haut niveau (structure, training loops, callbacks)
- scikit-learn : PCA et preprocessing
- xarray : Manipulation de données géophysiques (NetCDF)
- Cartopy : Cartographie et visualisations géographiques
- Matplotlib : Plots statiques
- ipywidgets : Interfaces interactives Jupyter
Recommandation Hardware et générales :
- Batch size : 8 échantillons
- Epochs : 20-50 selon le modèle
- Hardware : GPU recommandé (accélérateur CUDA disponible)
L'ensemble des données et du NB sont disponibles égalementt sur Google colab : https://drive.google.com/drive/folders/1YIku0SvPegErw0oIhWcCDqJOnC60KPd8?usp=drive_link si vous souhaiter le faire tourner sur l'infra GOOGLE.