Gaussian processes are widely used to make spatial predictions and to estimate uncertainty. But they usually assume that the studied phenomenon has a stationary structure —an assumption often violated with today’s large datasets from sensors or satellites. To overcome this, this paper explores a space deformation strategy:
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
This work, accepted for publication in Statistical Science, leverages the Gaussian mixture perspective to propose extensions covering new classes of covariance functions for nonstationary (univariate or multivariate) spatio-temporal GRFs, as well as simulation algorithms for those that are currently missing in the framework of spectral simulation.
Événements
Research Day à Mines PARIS, 23 juin 2026
La chaire Geolearning sera présente à la journée « Research Day » organisée à Mines Paris, le 23 juin 2026
Evénements extrêmes en agriculture et en foresterie
La chaire Geolearning co-organise un atelier de travail interdisciplinaire sur les événements extrêmes en agriculture et en foresterie du 9 au 11 juin à Avignon.