Dans le cadre de la prévision des champs spatio-temporels en sciences de l'environnement, l'introduction de modèles inspirés par la physique des phénomènes sous-jacents qui sont numériquement efficaces est d'un intérêt croissant en statistiques spatiales.
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
Les ensembles de données spatiales (et spatio-temporelles) de grande ou très grande taille sont devenus monnaie courante dans de nombreuses études environnementales et climatiques.
Actualités
Séminaire de la chaire Geolearning
Le premier séminaire de la chaire Geolearning aura lieu les 13 et 14 novembre 2023.
Inauguration de la Chaire
L’inauguration de la chaire Geolearning a eu lieu le 21 février 2023 à l’école des Mines de Paris.