AI in climate change adaptation : applications to remote sensing and climate science

Abstract

Le changement climatique représente l’un des défis les plus pressants de notre société, entraînant une augmentation des phénomènes météorologiques extrêmes et des altérations fondamentales des écosystèmes terrestres. Face à l’accélération de ces impacts, il existe un besoin urgent de capacités avancées de surveillance et de modélisation pour guider les efforts d’adaptation et d’atténuation. L’apprentissage profond s’est imposé comme un outil puissant pour analyser les données environnementales complexes et améliorer notre compréhension des systèmes terrestres. Dans cette thèse, nous explorons comment l’apprentissage profond peut être appliqué efficacement pour répondre aux défis critiques en télédétection et en sciences du climat. Dans le domaine des sciences du climat, cette thèse présente de nouveaux jeux de données et un cadre d’apprentissage profond sous contraintes strictes pour l’analyse des données climatiques, garantissant la préservation des principes physiques tels que la conservation de la masse et de l’énergie. Nous développons d’abord un jeu de données complet pour le transfert radiatif atmosphérique - la composante la plus coûteuse en calcul des modèles climatiques - en évaluant les modèles à l’état de l’art sur ce benchmark. De plus, pour résoudre le problème du coût computationnel des simulations climatiques à haute résolution, nous introduisons des méthodes de réduction d’échelle sous contraintes. Nous présentons diverses couches de contraintes - additives, multiplicatives et basées sur softmax - qui peuvent être intégrées à toute architecture tout en assurant la conservation de l’énergie entre les prédictions à basse et haute résolution. Appliquées au jeu de données ERA5, nos méthodes atteignent une précision supérieure tout en maintenant la cohérence physique. Pour les applications de télédétection, nous développons un cadre efficace pour la segmentation sémantique des arbres utilisant des séries temporelles d’images aériennes. Notre approche combine un module de traitement léger pour l’analyse des données temporelles avec une fonction de perte hiérarchique qui exploite les relations taxonomiques dans les étiquettes des espèces d’arbres. À travers des expériences approfondies, nous démontrons que notre méthode surpasse les approches existantes de l’état de l’art tout en maintenant des performances robustes à travers les hiérarchies taxonomiques. Climate change presents one of society’s most pressing challenges, driving increases in extreme weather events and fundamental alterations to Earth’s ecosystems. As these impacts accelerate, there is an urgent need for advanced monitoring and modeling capabilities to guide adaptation and mitigation efforts. Deep learning has emerged as a powerful tool for analyzing complex environmental data and improving our understanding of Earth systems. In this thesis, we explore how deep learning can be effectively applied to address critical challenges in remote sensing and climate science. In the climate science domain, this thesis introduces novel datasets and a framework for hard-constrained deep learning in climate data analysis, ensuring that physical principles like mass and energy conservation are preserved. We first develop and open-source a comprehensive dataset for atmospheric radia- tive transfer, evaluating state-of-the-art models on this benchmark. Additionally, to address the computational expense of high-resolution climate model simulations, we introduce constrained downscaling methods. We present various constraint layers - additive, multiplicative, and softmax-based - that can be integrated into any architecture while enforcing energy conservation between low and high-resolution predictions. When applied to the ERA5 dataset, our methods achieve superior accuracy while maintaining physical consistency. For remote sensing applications, we develop an efficient framework for tree semantic segmentation using aerial imagery time series. Our approach combines a lightweight processor module for temporal data analysis with a hierarchical loss function that leverages taxonomic relationships in tree species labels. Through extensive experiments, we demonstrate that our method outperforms existing state-of-the-art approaches while maintaining robust performance across taxonomic hierarchies.