Contexte et enjeux
La vapeur d’eau joue un rôle prépondérant dans la plupart des processus météorologiques. Aujourd’hui, une détermination précise de son champ tri-dimensionnel reste encore un enjeu majeur. À partir des observations GNSS et via des traitements spécifiques, il est possible d’estimer les paramètres troposphériques qui détiennent une information fiable sur le contenu intégré de vapeur d’eau. En effet lorsqu’un réseau suffisamment dense de stations GPS existe, il est possible de mettre à profit l’entrelacement des multiples rais entre les différents satellites et les stations GPS pour restituer le champ tri-dimensionnel de vapeur d’eau par le biais de méthodes de reconstruction tomographique dans la région de l’atmosphère au-dessus du réseau d’observation.
Cependant, la restitution d’un champ 3D haute résolution, notamment pour des applications comme la correction des observations INSAR (pour le suivie des déformations du sol sur le Piton de la Fournaise à La Réunion), repose encore sur des méthodes d’initialisation basées sur des moyennes météorologiques, limitant la finesse des résultats.Problématique
Comment exploiter les avancées récentes en intelligence artificielle (deep learning, machine learning) pour prédire un champ 3D de vapeur d’eau à haute résolution spatiale et temporelle, à partir de données GNSS et météorologiques existantes ?
