SerpentFlow pour le downscaling stat

Description générale du projet

SerpentFlow comme approche de downscaling multivarié (spatial & inter-variables), applicable à de grands domaines géographiques, aussi bien sur les GCM que les RCM et complémentaire aux nouvelles données Météo-France

Problématique et proposition de valeur

• A quelle problématique s’attaque le projet ? Le projet s'attaque au problème de descente d'échelle et de correction de biais
• Quelle est la proposition de valeur ? Des données de hautes résolution avec la possibilité de générer des ensembles avec un moindre coût par rapport à la descente d'échelle dynamique

Solution

• Description de la solution et de ses fonctionnalités: la solution proposée se base sur l'usage d'un modèle d'IA générative SerpentFlow (Keisler et al. 2025) qui permet d'appliquer une technique probabiliste qui apprend sur des données non-pairées (unpaired)
• Quel usage est fait des données ? Que vous permettent-elles de faire ?: Les données sont utilisée pour l'entraînement des modèles IA et la correction des biais également.
• Quelle est la méthode de création de la solution ? codes python

Impact envisagé

• Que permet de faire la solution ? La solution permet de produire un dataset (par exemple de moyenne de Vent quotidien) downscalé sur la grille de SAFRAN (8km), et aussi permet de générer un ensemble probabiliste pour quantifier l'incertitude
• Qui sont les usagers visés, quels bénéfices ? Parties prenantes intéressés par des études d'impact à l'échelle régionale / échelle kilométrique

Ressources

• Livrables: notebooks de lecture et préparation de données et données downscalés et corrigés sur la France métropolitaine
• Dépôt de code: https://github.com/JulieKeisler/serpentflow

Retours consolidés sur les données exploitées

• Quelles erreurs, incohérences ou anomalies identifiées ? (techniques et scientifiques) N/A
• Quelles difficultés d’exploitation ? Quelles pistes de résolution ? Les données SAFRAN sont distribuées spatialement sur des petites communes, ce qui implique que l'apprentissage pourra aussi reproduire les petites discontinuités spatiales. La gestion des masques NaN est pas encore prise en charge par la version actuelle de SerpentFlow
• Quelles limites pour le cas d’usage traité ? Les données proposées sont-elles adaptées aux exigences de votre domaine sectoriel ou géographique d’application (résolution spatiale et temporelle, couverture spatiale et temporelle, etc.) ? La méthode est agnostique, il y a par contre une étape importante de préprocessing