This work examines to what extends bias correction methods improve the statistical characterization of extreme compound events.
Géostatistique, événements extrêmes et Deep 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 d’IA générative
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, combinant géostatistique, théorie des valeurs extrêmes et IA génératives, 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 les approches statistiques avec l’IA générative et la connaissance physique pour allier flexibilité, rigueur et connaissance.
Les publications
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:
Événements
57e Journées de Statistique
La chaire Geolearning était fortement représentée lors des 57e Journées de Statistique, sises à Clermont-Ferrand.
Quatre présentations de la chaire Geolearning à METMA XII
Lucia Clarotto, Alexandre Loret, Mike Pereira et Thomas Romary ont présenté leurs travaux lors du 12th international workshop on spatio-temporal modeling.