Continuous and Differentiable Neural Network Representations of the Surfzone Sea-Surface from Lidar Point Clouds

La surface de l'océan n'est jamais immobile. C'est un paysage changeant et agité de houles roulantes, de déferlantes fracassantes et d'écume bouillonnante, qui se remodèle constamment à mesure que l'énergie se déplace des profondeurs de la mer vers le rivage. Pour les scientifiques qui étudient ces vagues, comprendre exactement comment l'eau se déplace est essentiel. Ils doivent connaître non seulement la hauteur d'une vague, mais aussi sa vitesse de déplacement, la raideur de sa face et la façon dont elle change de forme lorsqu'elle déferle. Traditionnellement, les chercheurs ont utilisé des bouées qui tanguent en un point fixe ou des caméras qui prennent des photos à distance. Bien qu'utiles, ces outils peinent souvent à capturer la complexité tridimensionnelle complète d'une vague qui déferle, en particulier dans la zone turbulente où l'eau s'écrase sur la plage. Pour obtenir une image plus claire, les scientifiques se sont tournés vers des lasers montés sur des drones, capables de scanner la surface de l'eau et de créer un nuage de millions de points minuscules, chacun marquant un emplacement spécifique dans l'espace et le temps. Cependant, ces données brutes sont désordonnées et éparpillées ; pour les rendre compréhensibles, les chercheurs doivent généralement forcer les points dans une grille rigide, comme si l'on tentait de faire entrer des pièces de puzzle irrégulières dans un cadre carré, ce qui peut lisser des détails importants ou introduire des erreurs.

Une équipe de chercheurs de la Scripps Institution of Oceanography a trouvé une autre façon de traiter ces données, une méthode qui évite la grille. Au lieu de forcer les points laser dans une structure cubique, ils ont utilisé un type d'intelligence artificielle appelé réseau de neurones pour apprendre la forme de la surface de l'océan directement à partir des points dispersés. Imaginez ce réseau comme un étudiant à qui l'on montre un million de points éparpillés et à qui l'on demande de dessiner une ligne lisse et continue qui les relie tous, non seulement aux points eux-mêmes, mais partout entre eux. Les chercheurs ont testé cette méthode au-dessus d'une côte rocheuse à Monterey, en Californie, où un drone a plané pour scanner des vagues massives de quatre mètres de haut. Le résultat fut un modèle numérique de la mer, lisse et continu, permettant aux scientifiques de calculer la vitesse et la pente de l'eau en n'importe quel point, même dans les endroits où le drone n'a pas effectué de mesure directe.

L'expérience a eu lieu près d'un promontoire rocheux connu sous le nom de China Rock, où le fond marin descend brusquement et où les vagues déferlent avec une force considérable. Un drone équipé d'un scanner laser spécialisé a plané à une altitude de 33 mètres, projetant des faisceaux de lumière sur la surface de l'eau dix fois par seconde. Ces faisceaux ont rebondi sur l'eau et sont revenus vers le drone, créant une collecte massive de points de données qui cartographiaient la hauteur des vagues en trois dimensions. Les chercheurs se sont concentrés sur une fenêtre de 60 secondes de ces données, capturant le moment où une grande vague arrive, s'accentue et finit par déferler. Dans ce court instant, le drone a recueilli environ 4,5 millions de points individuels, mais ces points n'étaient pas répartis uniformément ; ils étaient plus denses directement sous le drone et devenaient plus clairsemés vers les bords du scan.

Pour transformer ce nuage de points dispersés en une image utile de l'océan, l'équipe a entraîné un réseau de neurones, un programme informatique conçu pour reconnaître des motifs. Ils ont injecté dans le réseau les coordonnées de chaque point ainsi que la hauteur de l'eau à cet endroit. Le rôle du réseau était de trouver une fonction mathématique capable de prédire la hauteur de l'eau à n'importe quel emplacement et à n'importe quel moment, pas seulement là où le laser avait frappé. Contrairement aux méthodes traditionnelles qui feraient la moyenne des points dans une grille, ce réseau a appris à créer une surface fluide et continue qui passe par les points de données sans être contrainte par une structure rigide. Les chercheurs ont constaté que cette approche fonctionnait remarquablement bien. Le modèle numérique produit correspondait aux formes de vagues observées dans les données laser, capturant la montée de la crête de la vague et la chute abrupte de sa face. Il a également réussi à filtrer le bruit chaotique des embruns et des éclaboussures d'eau, qui confondent souvent les autres outils de mesure, laissant derrière lui une image claire de la structure principale de la vague.

L'une des découvertes les plus significatives est que cette méthode est restée précise même dans les zones où les données étaient rares. Parce que le réseau a appris la forme globale de la vague, il a pu estimer la hauteur de l'eau dans les interstices où le laser du drone avait peu ou pas de points. Lorsque les chercheurs ont testé le modèle par rapport à des données qu'il n'avait pas vues pendant l'entraînement, les erreurs étaient minimes, comparables aux limitations naturelles de l'instrument laser lui-même. Ils ont également testé la fiabilité de la méthode en entraînant deux réseaux distincts sur les mêmes données. Les deux modèles ont produit des résultats presque identiques, ne différant que de quelques centimètres à la plupart des endroits. Cependant, dans les zones très clairsemées où le drone n'avait collecté presque aucune donnée, les deux modèles ont commencé à diverger légèrement, suggérant que, bien que la méthode soit robuste, elle dépend toujours d'une quantité suffisante d'informations pour apprendre la forme de la vague.

Le véritable pouvoir de cette nouvelle approche réside dans sa capacité à calculer comment la vague évolue. Parce que le modèle numérique est une fonction lisse et continue, les chercheurs ont pu facilement calculer la vitesse à laquelle l'eau montait ou descendait, ou la raideur de la face de la vague à un moment précis. Dans la fenêtre de 60 secondes étudiée, ils ont pu suivre une crête de vague se déplaçant vers le rivage à une vitesse d'environ 8,75 mètres par seconde, une valeur qui correspondait aux prédictions théoriques pour des vagues de cette taille et de cette profondeur. Ils ont également pu voir comment la vague changeait de forme lors de son mouvement, notant comment la crête grandissait et devenait plus raide avant de déferler. Ce niveau de détail est difficile à atteindre avec les méthodes traditionnelles basées sur des grilles, qui peinent souvent à calculer précisément ces taux de variation, en particulier sur les faces abruptes et changeant rapidement des vagues déferlantes.

Les chercheurs reconnaissent que cette méthode n'est pas exempte de défis. L'entraînement du réseau de neurones a pris environ 30 minutes sur du matériel informatique standard pour seulement 60 secondes de données, ce qui est nettement plus long que le temps nécessaire pour simplement trier les données dans une grille. Si les scientifiques voulaient analyser une heure de données de vagues, ils devraient entraîner le réseau pendant de nombreuses heures, ou faire fonctionner plusieurs ordinateurs en parallèle. De plus, la méthode fonctionne mieux lorsqu'il y a une quantité de données suffisante pour apprendre ; dans les zones où l'eau est très claire et où le laser renvoie très peu de points, la précision du modèle pourrait diminuer. Malgré ces limites, l'étude démontre que l'utilisation de réseaux de neurones pour représenter la surface de l'océan offre un nouvel outil puissant. Elle fournit une vue continue, lisse et hautement détaillée de la mer qui peut être analysée en n'importe quel point du temps et de l'espace, ouvrant la voie à une compréhension plus profonde du comportement des vagues lorsqu'elles s'écrasent sur le rivage.