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

The SPDE approach for spatio-temporal datasets with advection and diffusion

Modèles spatio-temporels - Publié le 24/03/2023 par Lucia CLAROTTO (Mines Paris PSL) - Denis ALLARD (INRAE) - Thomas ROMARY (Mines Paris PSL) - Nicolas DESASSIS (Mines Paris PSL)

 
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.

Événements

Vous souhaitez être informé
des futurs travaux de la chaire