Ce projet génère des données de forçage des vagues pour les modèles océaniques et météorologiques. Il permet de simuler les interactions entre l'atmosphère et l'océan, en fournissant des informations précises sur les vagues pour améliorer les prévisions maritimes et climatiques. Les résultats sont utilisés par des scientifiques, des météorologues et des chercheurs pour affiner leurs modèles et mieux comprendre les dynamiques océaniques.

Ce projet utilise des réseaux de type GAN (Generative Adversarial Networks) pour enrichir les prévisions météorologiques opérationnelles à haute résolution. Il s'appuie sur des données historiques de l'AROME-EPS pour générer de nouveaux membres d'ensembles météorologiques, améliorant ainsi la précision et la diversité des prévisions. L'objectif est de réduire les coûts numériques tout en augmentant la fiabilité des modèles de prédiction du temps.

Outil dédié à la détection et à l'analyse des cyclones tropicaux à partir de données météorologiques et climatiques. Il permet aux chercheurs et météorologues de modéliser les phénomènes extrêmes, d'améliorer les prévisions et de mieux comprendre les impacts du changement climatique sur ces événements. Le projet s'appuie sur des algorithmes avancés et des données issues de simulations numériques.

Ce projet utilise l'apprentissage profond pour améliorer la résolution des modèles de prévision des vagues océaniques. Il transforme des données de prévision à 10 km en analyses à 5 km, en se concentrant sur des paramètres clés comme la hauteur, la direction et la période des vagues. L'objectif est d'affiner les prévisions pour des applications maritimes et côtières, notamment en Bretagne, en utilisant des méthodes avancées de deep learning et des données issues de modèles météorologiques et océanographiques.

Le projet INRIA RA 2018 est dédié à l'analyse de données météorologiques et à la prévision de phénomènes climatiques. Il vise à améliorer les connaissances en ingénierie numérique et à fournir des outils performants pour la prévision météorologique.

Ce projet utilise le modèle DGMR de DeepMind pour fournir des prévisions de précipitations à court terme (nowcasting) en France. Basé sur des données radar en temps réel de Météo-France, il génère des visualisations dynamiques des pluies attendues dans les deux heures à venir, avec une résolution de 1 km et un pas de temps de 5 minutes. L'objectif est d'améliorer la précision des alertes météorologiques et d'aider à la gestion des risques liés aux intempéries.

Projet dédié à l'analyse des précipitations atmosphériques via un disdromètre, un instrument mesurant la taille et la vitesse des gouttes de pluie. Il permet de collecter des données précises pour des études météorologiques, hydrologiques ou environnementales. Les résultats peuvent servir à améliorer les modèles de prévision du temps ou à étudier les impacts climatiques.

Projet dédié à la simulation numérique des processus atmosphériques et climatiques. Il permet de modéliser en haute résolution les interactions entre les différentes couches de l'atmosphère, les flux énergétiques et les échanges thermiques. Utilisé principalement pour la recherche scientifique et l'amélioration des modèles de prévision météorologique, il offre des outils pour analyser et valider des scénarios climatiques complexes.

Ce projet vise à quantifier et analyser l'effet radiatif des nuages depuis la surface terrestre. Il permet aux chercheurs et scientifiques d'étudier l'impact des nuages sur le bilan énergétique de la Terre, en fournissant des données précises et des modèles pour comprendre les interactions entre les nuages et le rayonnement solaire ou infrarouge. Les résultats aident à améliorer les prévisions climatiques et les modèles météorologiques.

Ce projet développe un modèle d'apprentissage profond pour prédire la concentration de polluants atmosphériques. Il vise à remplacer l'ensemble médian actuel du CAMS par une solution plus performante, intégrant des réseaux de neurones avancés (UNet, vision transformers) et des données météorologiques. Les prévisions produites alimenteront les services opérationnels de Météo-France pour améliorer la qualité de l'air et soutenir les politiques environnementales.