Champ de recherche émergent, la génération de nouveaux événements extrêmes, potentiellement beaucoup plus extrêmes que les événements présents dans les données d’entraînement, représente un défi important en raison du nombre relativement faible d’événements extrêmes dans les données d’entraînement et de la nécessité d’extrapolation. Les modèles génératifs issus de l’intelligence artificielle, comme les réseaux antagonistes génératifs (GANs), Les modèles génératifs issus de l’intelligence artificielle, comme les GANs qui permettent de simuler en grand nombre et de façon stochastique des données synthétiques avec des caractéristiques statistiques similaires à celles des données d’entraînement, sont des outils prometteurs pour la simulation d’événements extrêmes.
Projets
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.
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. La taille des ensembles de données spatio-temporelles nécessite de nouvelles méthodes numériques pour les traiter efficacement. L’approche par équations aux dérivées partielles stochastiques (EDPS) s’est avérée efficace pour l’estimation et la prédiction dans un contexte spatial.