Coupling Oceanic Observation Systems to Study Mesoscale Ocean Dynamics

• Main Authors: Cosne, Gautier, Maze, Guillaume, Tandeo, Pierre
• Other Authors: Montreal Institute for Learning Algorithms Montréal (MILA), Centre de Recherches Mathématiques Montréal (CRM), Université de Montréal (UdeM)-Université de Montréal (UdeM), Laboratoire d'Océanographie Physique et Spatiale (LOPS), Institut de Recherche pour le Développement (IRD)-Institut Français de Recherche pour l'Exploitation de la Mer (IFREMER)-Institut national des sciences de l'Univers (INSU - CNRS)-Université de Brest (UBO)-Centre National de la Recherche Scientifique (CNRS), Lab-STICC_IMTA_CID_TOMS, Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance (Lab-STICC), École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom Paris (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT)-École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom Paris (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT), Département Signal et Communications (IMT Atlantique - SC), IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT)
• Format: Conference Object
• Language: English
• Published: HAL CCSD 2019
• Subjects: [SDU.OCEAN]Sciences of the Universe [physics]/Ocean; Atmosphere; [STAT.ML]Statistics [stat]/Machine Learning [stat.ML]; Canada; North Atlantic
• Online Access: https://imt-atlantique.hal.science/hal-02928416; https://imt-atlantique.hal.science/hal-02928416/document; https://imt-atlantique.hal.science/hal-02928416/file/1910.08573.pdf

International audience Understanding local currents in the North Atlantic region of the ocean is a key part of modelling heat transfer and global climate patterns. Satellites provide a surface signature of the temperature of the ocean with a high horizontal resolution while in situ autonomous probes supply high vertical resolution , but horizontally sparse, knowledge of the ocean interior thermal structure. The objective of this paper is to develop a methodology to combine these complementary ocean observing systems measurements to obtain a three-dimensional time series of ocean temperatures with high horizontal and vertical resolution. Within an observation-driven framework, we investigate the extent to which mesoscale ocean dynamics in the North Atlantic region may be decomposed into a mixture of dynamical modes, characterized by different local regressions between Sea Surface Temperature (SST), Sea Level Anomalies (SLA) and Vertical Temperature fields. Ultimately we propose a Latent-class regression method to improve prediction of vertical ocean temperature.