Note ABES Machine Learning-Assisted Spatiotemporal Chaos Forecasting Optimisation de l’horizon de prédictibilité des évènements extrêmes par "Deep Learning" Chaos spatio-Temporel Dynamique non-Linéaire Turbulence Apprentissage automatique Réseaux de neurones artificiels Théorie de l'Information Spatiotemporal chaos Nonlinear dynamics Turbulence Machine Learning Artificial Neural Networks Information Theory Chaos (théorie des systèmes) Dynamique non-linéaire Turbulence Évènements climatiques extrêmes Prévision Apprentissage automatique Réseaux neuronaux (informatique) Entropie (théorie de l'information) Solitons Résonateurs optiques Des vagues scélérates aux vents violents, les événements extrêmes peuvent perturber les systèmes naturels et les activités humaines sans avertissement. Bien que ces événements semblent imprévisibles, ils émergent souvent des dynamiques complexes des systèmes chaotiques, en particulier du chaos spatiotemporel, où des motifs se déploient dans le temps et l'espace. Dans cette thèse, nous étudions les événements extrêmes dans des systèmes optiques, en nous concentrant sur un résonateur à fibre optique modélisé par l'équation de Lugiato-Lefever. Ce système offre un environnement contrôlé pour analyser les comportements chaotiques à l'origine de ces phénomènes.Les récents progrès en apprentissage automatique, notamment avec les réseaux de neurones, offrent de nouveaux outils pour prédire les dynamiques chaotiques. Cependant, la prévision à long terme reste difficile en raison de l'imprévisibilité inhérente au chaos. Nous proposons d'étendre l'horizon de prédiction en utilisant des méthodes de théorie de l'information, telles que l'entropie de transfert, pour identifier les régions locales contribuant aux événements extrêmes et améliorer la précision des prévisions.En outre, nous examinons les dynamiques turbulentes générées par les solitons dans ces systèmes, en proposant des explications sur leur apparition et leur évolution. Notre analyse offre de nouvelles perspectives sur le comportement chaotique. Enfin, nous proposons d'appliquer ces méthodes aux dynamiques du vent en situation réelle pour améliorer les prévisions et approfondir la compréhension des systèmes chaotiques naturels. From towering rogue waves to powerful winds, extreme events can disrupt natural systems and human activity without warning. Though seemingly unpredictable, these events often arise from the complex dynamics of chaotic systems, particularly spatiotemporal chaos, where patterns unfold across both time and space. In this thesis, we study extreme events in optical systems, focusing on an optical fiber ring resonator modeled by the Lugiato-Lefever equation. This setup provides a controlled environment to analyze the chaotic behaviors that lead to such phenomena.Recent advancements in machine learning, especially neural networks, offer new tools for predicting chaotic dynamics. However, long-term forecasting remains challenging due to chaos's inherent unpredictability. We propose extending the prediction horizon using information theory methods, like transfer entropy, to identify local regions contributing to extreme events and improve forecast accuracy.Additionally, we examine the turbulent dynamics generated by solitons in these systems, providing explanations for their onset and evolution. Our analysis offers new insights into chaotic behavior. Finally, we propose applying these methods to real-world wind dynamics to enhance forecasting and deepen understanding of chaotic natural systems. Electronic Thesis or Dissertation Text en PDF 52017433 https://pepite-depot.univ-lille.fr/LIBRE/EDSMRE/2024/2024ULILR078.pdf https://theses.hal.science/tel-05094200 https://theses.hal.science/tel-05094200 https://theses.fr/2024ULILR078/abes https://theses.hal.science/tel-05094200 https://theses.hal.science/tel-05094200 https://theses.hal.science/tel-05094200 Murr Georges Murr 1998-11-12 LB 284815047 https://theses.fr/2024ULILR078 2024ULILR078 https://doi.org/10.70675/6099f172za5bdz41f3z991bzd83042480608 2024-12-20 Milieux dilués et optique fondamentale Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Coulibaly Saliya MADS_DIRECTEUR_DE_THESE_1 111474469 Mussot Arnaud MADS_PRESIDENT_DU_JURY 09021742X Clerc Marcel MADS_MEMBRE_DU_JURY_1 184321573 Tlidi Mustapha MADS_MEMBRE_DU_JURY_2 17713092X Kibler Bertrand MADS_RAPPORTEUR_1 123535719 Residori Stefania MADS_RAPPORTEUR_2 104504374 École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....) MADS_ECOLE_DOCTORALE_1 148937330 Laboratoire de Physique des Lasers, Atomes et Molécules (PhLAM) MADS_PARTENAIRE_DE_RECHERCHE_1 43887 161618847 Université de Lille (2018-2021) MADS_PARTENAIRE_DE_RECHERCHE_2 223446556 Centre Européen pour les Mathématiques, la Physique et leurs interaction (Villeneuve d'Ascq ; 2012-....) MADS_PARTENAIRE_DE_RECHERCHE_3 284801933 ddc:530 Coulibaly Saliya Mussot Arnaud Clerc Marcel Tlidi Mustapha Kibler Bertrand Residori Stefania École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....) Laboratoire de Physique des Lasers, Atomes et Molécules (PhLAM) Université de Lille (2018-2021) Centre Européen pour les Mathématiques, la Physique et leurs interaction (Villeneuve d'Ascq ; 2012-....) PDF 52017433