Nous explorons l’utilisation des réseaux génératifs antagonistes et de l’inférence variationnelle profonde pour simuler conditionnellement des réservoirs chenalisés méandriformes. Nous comparons des approches d’apprentissage profond, notamment les W-GAN et un modèle de conditionnement par mélange gaussien, en utilisant des simulations 2D/3D issues du modèle stochastique Flumy. Les résultats montrent que ces réseaux, grâce aux techniques récentes de stabilisation, permettent de reproduire efficacement des distributions complexes avec un réalisme accru.
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.
Événements
Third Workshop on « Bias Correction in Climate Studies »
La Chaire Geolearning co-organise le troisième workshop sur les correction de biais dans les études climatiques qui se tiendra à Mines Paris du 26 au 28 mai 2025.
Antoine Heranval représente la chaire Geolearning à la conférence CMStatistics 2024
Antoine Heranval (BioSP, INRAE) a présenté les premiers résultats obtenus dans le cadre du projet « Dynamique des événements extrêmes et processus ponctuels » à la conférence CMStatistics.