Publications

A stable deep adversarial learning approach for geological facies generation

Machine learning - Publié le 01/08/2024 par Ferdinand BHAVSAR (Mines Paris PSL) - Nicolas DESASSIS (Mines Paris PSL) - Fabien ORS (Mines Paris PSL) - Thomas ROMARY (Mines Paris PSL)

 
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.
 
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.

Distribution-based pooling for combination of climate simulations

Machine learning - Publié le 25/10/2024 par Mathieu VRAC (LSCE) - Denis ALLARD (INRAE) - Grégoire MARIETHOZ (UNIL) - Soulivanh THAO (LSCE) - Lucas SCHMUTZ (UNIL)

 
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.

The SPDE approach for spatio-temporal datasets with advection and diffusion

Modèles spatio-temporels - Publié le 24/03/2023 par Lucia CLAROTTO (Mines Paris PSL) - Denis ALLARD (INRAE) - Thomas ROMARY (Mines Paris PSL) - Nicolas DESASSIS (Mines Paris PSL)

 
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.