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.
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.
Nous introduisons une nouvelle méthode d'agrégation des probabilités appelée « alpha pooling » qui construit une fonction de répartition agrégée conçue pour être plus proche d'une fonction de répartition de référence sur la période d'étalonnage (historique). La clé du α- pooling est un paramètre α qui décrit le type de transformation et donc le type d'agrégation, généralisant les méthodes de agrégation linéaires et log-linéaires.
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.
Les ensembles de données spatiales (et spatio-temporelles) de grande ou très grande taille sont devenus monnaie courante dans de nombreuses études environnementales et climatiques.