Objectifs et programme
Objectifs scientifiques de GeoLearning
L’objectif de la chaire Geolearning est de développer des méthodes en géostatistique, en théorie des événements extrêmes et en apprentissage automatique pour l’analyse des données au service de la transition climatique.
Cette chaire réunit deux équipes de recherche de premier plan ayant établi une collaboration de longue date, notamment à travers la direction de thèses de doctorat, des projets scientifiques communs, la coordination d’un réseau scientifique et l’enseignement.
L’équipe Géostatistique du Centre de Géosciences (CG) de Mines Paris
(Centre de Géosciences (CG), Mines Paris)
L’unité de recherche Biostatistique et Processus Spatiaux Biostatisque et Processus Spatiaux (BioSP)
du Département MathNum à INRAE
1/ Méthodes géostatistiques pour les données spatio-temporelles
Il s’agit dans ce premier axe de développer des modèles et des méthodes géostatistiques avec un double objectif : d’une part tendre vers une géostatistique informée par la physique en développant des modèles inspirés par la physique du phénomène étudié, et d’autre part développer des algorithmes efficaces permettant de traiter des ensembles de données spatiales de très grande taille. Nous nous appuierons sur l’approche SPDE ayant déjà fait l’objet de travaux communs aux deux équipes : les thèses de Ricardo Carrizo-Vergara et Lucia Clarotto et la publication associée (Clarotto et al., 2023) et la publication Pereira et al., 2022.
2/ Méthodes pour les événements extrêmes
Les événements extrêmes, et les impacts catastrophiques potentiels qu’ils peuvent entraîner, sont une préoccupation majeure, comme cela a été illustré de manière spectaculaire ces dernières années. Ainsi, rien qu’en France et dans les pays limitrophes, on peut citer la canicule de l’été 2019, les inondations à l’été 2021 (en Belgique et en Allemagne), la sécheresse et les canicules multiples durant le printemps et l’été en 2022. L’objectif du second axe est de proposer des approches qui combinent la géostatistique et la théorie des valeurs extrêmes pour la prédiction probabiliste, l’interpolation et la simulation d’épisodes d’événements extrêmes spatiaux et spatio-temporels.
3/ Hybrider le Machine Learning avec la géostatistique et la théorie des événements extrêmes
Dans ce troisième axe, l’objectif est de combler le fossé entre le Machine Learning (ML) et la géostatistique afin de combiner ces deux approches pour obtenir le meilleur des deux mondes : le ML est très efficace en mode prédictif lorsqu’il existe des relations non linéaires entre de nombreuses covariables et la variable d’intérêt, tandis que la géostatistique est efficace pour faire des prédictions spatiales et pour fournir une quantification précise des incertitudes Le développement de nouvelles approches en ML pour les données présentant des dépendances spatio-temporelles est un angle de recherche peu exploré à ce jour.
Ces trois axes ne sont pas indépendants, mais étroitement liés. Par exemple, l’analyse des événements extrêmes spatio-temporels (axe 2) bénéficiera des avancées sur les méthodes développées pour les données spatio-temporelles (axe 1), l’approche SPDE pouvant être utile pour la simulation d’événements extrêmes spatiaux. De nouveaux algorithmes d’apprentissage automatique pour les données dépendantes de l’espace et du temps (axe 3) seront utiles pour établir des relations basées sur les données entre les sorties des modèles climatiques et les événements extrêmes (axe 2).
Plus généralement, dans le cadre de cette chaire, nous souhaitons décloisonner les anciennes catégories qui tendaient à séparer[tr1] la géostatistique, la statistique, l’apprentissage statistique et l’informatique pour fonder le Geolearning.
Le programme de la chaire
Un programme de recherche proposé par la Chaire et discuté avec les partenaires mécènes lors des différents comités.
- 6 à 8 thèses, des post-doctorats.
- Une production académique de haut niveau.
- Des méthodes pour l’analyse, la prédiction et la simulation diffusées sous formes de logiciels libres.
- Un transfert de connaissances avec la possibilité d’une valorisation rapide des résultats de recherche.
- Une présentation des résultats et échanges réguliers avec les communautés scientifiques et professionnelles.
- Une implication dans la formation d’élèves-ingénieurs de Mines Paris en lien avec l’option Géostatistique et Probabilité Appliquées avec la possibilité de projets pédagogiques et de stages.