Ce projet porte sur l’étude et le développement de modèles génératifs capables de reproduire des distributions à queues lourdes, en particulier celles issues de champs de pluie observés par radar. Les modèles génératifs actuels — VAEs, GANs et modèles de diffusion — excellent sur des données complexes comme les images ou les vidéos, mais leurs garanties théoriques reposent généralement sur des hypothèses incompatibles avec les distributions lourdes, qui caractérisent notamment les événements de pluie extrême. Or, la modélisation et la génération réaliste de ces extrêmes sont essentielles, notamment dans un contexte de changement climatique où leur fréquence est appelée à augmenter.
Projets
Ce projet porte sur l’amélioration de l’efficacité du calcul pour l’estimation des paramètres dans des modèles géostatistiques spatio-temporels complexes. La géostatistique vise à modéliser des phénomènes naturels évoluant dans l’espace et le temps, et les processus gaussiens sont largement utilisés pour prédire ces phénomènes à des endroits non observés, tout en quantifiant l’incertitude des prédictions. Si les modèles classiques reposent sur des fonctions de covariance paramétriques simples, des avancées récentes ont introduit des modèles fondés sur des équations aux dérivées partielles stochastiques (SPDE), mieux adaptés pour représenter des mécanismes physiques tels que l’advection ou la diffusion.
L’objectif de ce projet est de proposer une modélisation jointe des débits et de la qualité des eaux en tête de bassin versant en suivant une approche d’IA générative. Pour ce faire un modèle de diffusion est ajusté au cas des séries temporelles multi-sites et multi-variées, et adapté pour permettre un entrainement sur des données incomplètes et une simulation dans les contextes suivants: gap-filling, nowcasting, génération de séries synthétiques et simulation conditionnelle à des covariables. Les sorties de ce modèle de diffusion serviront à étudier l’impact de différents scenarii de changement climatique et/ou anthropique sur les hydro-systèmes de tête de bassin versant, et d’émuler certains paramètres hydro-météorologiques utilisés en entrée de modèles d’impact (hydrogéologie, écologie des cours d’eau, etc.).
Le but de ce projet est de développer des méthodes statistiques d’interpolation et de prédiction de données spatio-temporelles distribuées sur des surfaces. Ces méthodes seront appliquées aux données de capteurs de température et de déformation placés en certains points de la surface d’une alvéole afin d’en suivre l’évolution.
Ce projet vise à fusionner les méthodes probabilistes pour les processus ponctuels marqués, les événements extrêmes, et les graphes spatiaux afin de proposer un nouveau cadre pour une meilleure compréhension et simulation des interactions spatiales et temporelles entre différents types d’événements extrêmes dans le système climatique.
L’objectif de ce projet est de développer et implémenter des modèles pour les événements extrêmes multivariés en supposant une structure de graphe (connue) représentant les liens entre les différentes variables. Le modèle sera appliqué aux événements extrêmes climatiques (températures, précipitations…) se produisant dans différents zones géographiques (départements, régions…), par exemple en choisissant un graphe représentant la structure des voisinages géographiques des régions.
Ces dernières années, les extrêmes hydrologiques, en particulier les pluies intenses et les sécheresses longues, ont été au cœur des préoccupations de nombreux secteurs (agronomie, énergie, assurances, etc). Toutefois, la grande variabilité de ces phénomènes dans le temps et dans l’espace implique une modélisation stochastique afin d’incorporer plusieurs aléas, incertitudes et d’information hétérogènes (mesures, modèles climatique, réanalyses). La thématique de la thèse est donc centrée autour des modèles stochastiques de simulation spatio-temporelles de précipitations intenses et de longues sécheresses.
L’objectif de ce projet est d’implémenter un générateur stochastique de précipitations selon une approche de type IA générative afin de simuler des champs de pluie spatio-temporels à haute résolution ressemblant autant que possible à ceux observés par des radar météorologiques.
Pour réaliser des simulations de champs de précipitation sur de grands domaines, comme c’est le cas ici avec la simulation de champs de précipitation à l’échelle nationale, des approches non-stationnaires et suffisamment efficaces pour traiter des grilles de grande taille doivent être envisagées.
Certains des événements climatiques les plus dévastateurs des dernières décennies impliquent la combinaison de plusieurs variables climatiques à des échelles assez larges et sur une certaine période de temps. Parfois, des combinaisons d’événements climatiques élémentaires qui ne sont pas nécessairement dévastateurs lorsqu’ils sont isolés peuvent avoir des effets dévastateurs lorsqu’ils se produisent simultanément ou successivement au cours d’une courte période.