Géostatistique, événements extrêmes et Machine Learning pour la transition climatique

Un projet au cœur de deux transitions

Une transition numérique

Des données environnementales, massives et hétérogènes, rendant nécessaire de nouvelles méthodes géostatistiques et de Machine Learning.

Une transition climatique

En réponse à des changements affectant l’air, l’eau, le sol et la biodiversité, sans précédent par leur amplitude, leur vitesse, et leur caractère simultané.

Les objectifs de la chaire en trois axes de recherche

Développer des méthodes et des outils efficaces pour traiter les données spatialisées et temporelles afin d’évaluer les impacts et quantifier les risques associés aux changements climatiques en cours.

Des méthodes prédictives

Développer des méthodes prédictives pour les phénomènes spatiaux et spatio-temporels, capables de traiter des jeux de données de grandes tailles.

Une boîte à outils

Développer des méthodes de simulation innovantes pour les événements extrêmes et l’évaluation des risques et les diffuser librement.

Des approches hybrides

Hybrider la capacité de la géostatistique à interpoler dans l’espace et le temps et celle du Machine Learning à extraire des liens et des connaissances.

Les publications

 
Nous proposons un nouveau générateur météorologique multivarié spatio-temporel, appelé MSTWeatherGen, qui tire parti de développements récents pour modéliser et simuler différentes variables météorologiques, notamment la température, les précipitations, la vitesse du vent, l'humidité et le rayonnement solaire, dans l'espace et dans le temps.

Distribution-based pooling for combination of climate simulations

Machine learning - Publié le 25/10/2024 par Mathieu VRAC (LSCE) - Denis ALLARD (INRAE) - Grégoire MARIETHOZ (UNIL) - Soulivanh THAO (LSCE) - Lucas SCHMUTZ (UNIL)

 
Nous introduisons une nouvelle méthode d'agrégation des probabilités appelée « alpha pooling » qui construit une fonction de répartition agrégée conçue pour être plus proche d'une fonction de répartition de référence sur la période d'étalonnage (historique). La clé du α- pooling est un paramètre α qui décrit le type de transformation et donc le type d'agrégation, généralisant les méthodes de agrégation linéaires et log-linéaires.

Événements

Journée « Modèles génératifs : Théorie, apprentissage et applications environnementales »

La Chaire Geolearning et le réseau RESSTE organisent une journée scientifique sur la thématique des progrès méthodologiques récents pour les modèles génératifs (GANs, Denoising Diffusion Models…) et leur utilisation dans les domaines du climat, de l’environnement et plus généralement des géosciences, avec des interventions des experts des aspects théoriques, méthodologiques et appliqués.

Vous souhaitez être informé
des futurs travaux de la chaire