{"id":6717,"date":"2021-06-14T13:31:43","date_gmt":"2021-06-14T11:31:43","guid":{"rendered":"https:\/\/wp.unil.ch\/geoblog\/?p=6717"},"modified":"2021-07-16T13:44:57","modified_gmt":"2021-07-16T11:44:57","slug":"on-spatio-temporal-data-modelling-and-uncertainty-quantification-using-machine-learning-and-information-theory","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2021\/06\/on-spatio-temporal-data-modelling-and-uncertainty-quantification-using-machine-learning-and-information-theory\/","title":{"rendered":"On Spatio-Temporal Data Modelling and Uncertainty Quantification using Machine Learning and Information Theory"},"content":{"rendered":"\n<p><em>Th\u00e8se soutenue par Fabian Guignard, le 21 juin 2021, Institut des dynamiques de la surface terrestre (IDYST)<\/em><\/p>\n\n\n\n<p>Les observations r\u00e9f\u00e9renc\u00e9es dans l\u2019espace et le temps surviennent dans de nombreux domaines. Malgr\u00e9 l&rsquo;int\u00e9r\u00eat croissant pour ce type de donn\u00e9es, la bo\u00eete \u00e0 outils permettant leur exploration, leur compr\u00e9hension et leur mod\u00e9lisation est incompl\u00e8te. Traitant des d\u00e9pendances non-lin\u00e9aire, les algorithmes d&rsquo;apprentissage automatique (Machine Learning, ML) sont bien adapt\u00e9s pour pr\u00e9dire des ph\u00e9nom\u00e8nes complexes. Cependant, l\u2019interpolation d\u2019observations spatio-temporelles avec du ML est encore peu \u00e9tudi\u00e9e. De plus, la quantification de l\u2019incertitude, qui permet d\u2019\u00e9valuer la confiance de chacune des pr\u00e9dictions de l\u2019algorithme, est souvent insatisfaisante, voir m\u00eame inexistante.<\/p>\n\n\n\n<p>Ce travail porte sur l&rsquo;exploration et l\u2019interpolation de telles donn\u00e9es. Il propose un cadre aux algorithmes de ML afin de les mod\u00e9liser, ainsi que des m\u00e9thodes de quantification de l\u2019incertitude pour un type particulier de r\u00e9seaux de neurones. De plus, il propose \u00e9galement l&rsquo;utilisation de mesures provenant de la th\u00e9orie de l&rsquo;information comme outils d\u2019investigation.<\/p>\n\n\n\n<p>Les contributions m\u00e9thodologiques de cette th\u00e8se peuvent trouver une vaste quantit\u00e9 d&rsquo;applications dans plusieurs domaines de recherche o\u00f9 l&rsquo;exploration, la compr\u00e9hension, l&rsquo;interpolation et la pr\u00e9vision de ph\u00e9nom\u00e8nes spatio-temporels complexes sont de la plus haute importance. Dans ce travail, elles sont appliqu\u00e9es \u00e0 diverses donn\u00e9es environnementales telles que la vitesse du vent, la temp\u00e9rature et la pollution urbaine, ceci \u00e0 diverses \u00e9chelles spatiales (de l\u2019\u00e9chelle urbaine \u00e0 l\u2019\u00e9chelle mondiale) et fr\u00e9quence temporelles (de 1Hz \u00e0 une fr\u00e9quence journali\u00e8re).<\/p>\n\n\n\n<p>Une attention particuli\u00e8re est port\u00e9e \u00e0 la vitesse du vent en Suisse. L\u2019interpolation est effectu\u00e9e avec plusieurs type de r\u00e9seaux neuronaux \u00e0 l&rsquo;aide de variables explicatives tir\u00e9es de la topographie du terrain, fournissant pour chaque heure sur dix ans une carte de vitesse du vent \u00e0 une r\u00e9solution spatiale de 250 m\u00e8tres. Ce type de mod\u00e9lisation est crucial pour proc\u00e9der \u00e0 des estimations de potentiels d&rsquo;\u00e9nergies renouvelables, ainsi que des \u00e9valuations des risques et des dangers naturels. La connaissance de son incertitude \u00e0 chaque point de l\u2019espace et du temps nous permet de quantifier la pr\u00e9cision de l\u2019estimation, ce qui est indispensable pour fournir des outils pertinents d\u2019aide \u00e0 la d\u00e9cision.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Th\u00e8se soutenue par Fabian Guignard, le 21 juin 2021, Institut des dynamiques de la surface terrestre (IDYST) Les observations r\u00e9f\u00e9renc\u00e9es dans l\u2019espace et le temps surviennent dans de nombreux domaines. Malgr\u00e9 l&rsquo;int\u00e9r\u00eat croissant pour ce type de donn\u00e9es, la bo\u00eete \u00e0 outils permettant leur exploration, leur compr\u00e9hension et leur mod\u00e9lisation est incompl\u00e8te. Traitant des d\u00e9pendances [&hellip;]<\/p>\n","protected":false},"author":47,"featured_media":3358,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[49465],"tags":[],"class_list":{"0":"post-6717","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-theses-soutenues"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/6717","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=6717"}],"version-history":[{"count":0,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/6717\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/3358"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=6717"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=6717"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=6717"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}