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
Événements
Deux présentations de la chaire Geolearning aux JDS 2025
Mike Pereira et Thomas Romary ont présenté leurs travaux lors des dernières Journées de Statistique, organisées par la SFDS.
Geolearning à l’honneur lors de la conférence Spatial Statistics
Les chercheurs de la chaire Geolearning seront mis à l’honneur lors de la prochaine conférence internationale Spatial Statistics qui se tiendra du 15 au 18 juillet 2025 aux Pays-Bas.