{"id":741,"date":"2025-01-28T09:10:36","date_gmt":"2025-01-28T08:10:36","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil2\/?p=741"},"modified":"2025-12-04T16:26:28","modified_gmt":"2025-12-04T15:26:28","slug":"combler-le-manque-de-donnees-pour-pouvoir-developper-des-modeles-fiables","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/combler-le-manque-de-donnees-pour-pouvoir-developper-des-modeles-fiables\/","title":{"rendered":"Reconstituer l\u2019invisible : quand l\u2019IA compl\u00e8te les donn\u00e9es manquantes de l\u2019environnement"},"content":{"rendered":"\n

Texte original publi\u00e9 sur https:\/\/wp.unil.ch\/geoblog\/2024\/03\/combler-le-manque-de-donnees-pour-pouvoir-developper-des-modeles-fiables\/<\/a><\/em><\/p>\n\n\n\n

\n
\n

Comprendre l\u2019\u00e9volution de l\u2019environnement est un d\u00e9fi quand les donn\u00e9es manquent ou sont incompl\u00e8tes. \u00c0 l\u2019UNIL, le chercheur Gr\u00e9goire Mari\u00e9thoz d\u00e9veloppe des approches hybrides alliant mod\u00e8les stochastiques, physique et intelligence artificielle pour reconstruire des ph\u00e9nom\u00e8nes comme la couverture neigeuse. En associant images satellites, donn\u00e9es m\u00e9t\u00e9orologiques et algorithmes, il parvient \u00e0 mod\u00e9liser des r\u00e9alit\u00e9s complexes avec une pr\u00e9cision in\u00e9dite \u2014 un enjeu majeur \u00e0 l\u2019heure du changement climatique.<\/p>\n<\/div>\n\n\n\n

Bien qu\u2019on observe actuellement un afflux de donn\u00e9es num\u00e9riques provenant de multiples syst\u00e8mes de capteurs, celles-ci ne sont pas toujours en nombre suffisant pour \u00e9tudier certains param\u00e8tres ou zones sp\u00e9cifiques (nombre de capteurs limit\u00e9, mesures tr\u00e8s ponctuelles, \u00e9v\u00e9nements rares etc.). Gr\u00e9goire Mari\u00e9thoz et son \u00e9quipe d\u00e9veloppent des m\u00e9thodes statistiques qui visent \u00e0 combler ces lacunes et \u00e0 optimiser l\u2019information issue des donn\u00e9es \u00e0 disposition.<\/p>\n\n\n\n

Proc\u00e9der de proche en proche pour remplir les vides<\/h3>\n\n\n\n
\"1<\/figure>\n\n\n\n
\n

Ces m\u00e9thodes pr\u00e9sentent un int\u00e9r\u00eat notamment dans l\u2019\u00e9tude des processus \u00e0 petite \u00e9chelle temporelle ou g\u00e9ographique. Ces approches sont importantes, sachant que les ph\u00e9nom\u00e8nes climatiques les plus violents se produisent g\u00e9n\u00e9ralement dans des zones tr\u00e8s cibl\u00e9es et peuvent occasionner localement beaucoup de d\u00e9g\u00e2ts (tornades, orages violents, trombes d\u2019eau etc). Ces \u00e9v\u00e9nements sont actuellement difficiles \u00e0 pr\u00e9voir et tendent \u00e0 devenir plus fr\u00e9quents avec le changement climatique. Le challenge auquel est confront\u00e9 Gr\u00e9goire Mari\u00e9thoz face \u00e0 ces questions est d\u2019arriver \u00e0 identifier des sch\u00e9mas coh\u00e9rents \u00e0 partir de donn\u00e9es tr\u00e8s fragmentaires et de processus parfois al\u00e9atoires.<\/p>\n\n\n\n

Pour y parvenir, ce dernier d\u00e9veloppe des outils qui permettent de d\u00e9duire la valeur d\u2018un param\u00e8tre situ\u00e9 pr\u00e8s d\u2019une mesure directe, en s\u2019appuyant sur des lois physiques et diverses m\u00e9thodes statistiques. En proc\u00e9dant ainsi de proche en proche, il lui est possible de combler des intervalles manquants entre deux mesures et d\u2019obtenir des sets de donn\u00e9es complets. Gr\u00e9goire Mari\u00e9thoz a pu ainsi mod\u00e9liser des historiques de pluviom\u00e9trie, reconstituer des images tronqu\u00e9es, ou recr\u00e9er l\u2019historique de la couverture neigeuse dans les alpes (cf encadr\u00e9).<\/p>\n\n\n\n

L\u2019utilisation de l\u2019IA progresse, mais ne remplace pas tous les mod\u00e8les<\/h3>\n\n\n\n

Si l\u2019IA et ses algorithmes existent depuis longtemps d\u00e9j\u00e0, Gr\u00e9goire Mari\u00e9thoz la voit se d\u00e9velopper maintenant gr\u00e2ce entre autres, \u00e0 l\u2019avalanche massive de donn\u00e9es exploitables, \u00e0 la densification de divers capteurs (satellites, radars, webcams) et \u00e0 la mise \u00e0 disposition de ces donn\u00e9es en open source. La disponibilit\u00e9 d\u2019ordinateurs de plus en plus performants joue aussi un r\u00f4le. L\u2019IA fournit ainsi des outils int\u00e9ressants (comme ChatGPT ou les g\u00e9n\u00e9rateurs d\u2019images), mais elle ne r\u00e9pond pas \u00e0 toutes les situations et ne peut pas cr\u00e9er de nouvelles connaissances. Selon lui un mod\u00e8le bas\u00e9 sur l\u2019IA n\u2019est pas forc\u00e9ment meilleur qu\u2019un autre : \u00ab Si l\u2019on veut mod\u00e9liser un \u00e9v\u00e9nement ou un ph\u00e9nom\u00e8ne pr\u00e9cis, les mod\u00e8les classiques peuvent souvent \u00eatre impl\u00e9ment\u00e9s en tenant compte de la connaissance des processus. En revanche, lorsque beaucoup de donn\u00e9es sont disponibles, il peut devenir int\u00e9ressant d\u2019int\u00e9grer l\u2019IA et de consacrer du temps \u00e0 r\u00e9colter la masse de donn\u00e9es n\u00e9cessaire et \u00e0 entra\u00eener l\u2019ordinateur. Cette balance d\u2019investissement de temps est l\u2019un des crit\u00e8res d\u00e9terminants pour le choix d\u2019utilisation de l\u2019IA<\/em>.\u00bb <\/p>\n\n\n\n

\n

D\u00e9terminer l\u2019\u00e9volution de la couche neigeuse au cours du temps \u00e0 partir d\u2019images satellites actuelles<\/h3>\n\n\n\n

Gr\u00e9goire Mari\u00e9thoz et ses coll\u00e8gues ont pour objectif de mod\u00e9liser l\u2019\u00e9volution de la couverture neigeuse en Suisse, notamment car celle-ci repr\u00e9sente un tr\u00e8s bon indicateur des variations de temp\u00e9rature et de climat, et peut impacter fortement l\u2019hydrologie locale lors de sa fonte. La quantit\u00e9 de neige couvrant une zone donn\u00e9e peut \u00eatre observ\u00e9e soit directement, par des mesures au sol et des stations m\u00e9t\u00e9o, soit indirectement, via des images satellites. Ces images sont parfois difficiles \u00e0 interpr\u00e9ter : des zones \u00e0 l\u2019ombre peuvent \u00eatre consid\u00e9r\u00e9es comme sans neige car plus sombres (actuellement certains satellites fournissent des donn\u00e9es plus fiables gr\u00e2ce \u00e0 l\u2019ajout de mesure de rayonnement infrarouge notamment), ou la vision du sol est perturb\u00e9e par la pr\u00e9sence d\u2019une couche nuageuse. A cela s\u2019ajoute le rythme des prises de vue qui est irr\u00e9gulier, (tous les 3 \u00e0 5 jours), ce qui rend imparfaitement compte d\u2019un ph\u00e9nom\u00e8ne pouvant \u00e9voluer d\u2019un jour \u00e0 l\u2019autre. <\/p>\n\n\n\n

Pour contourner ce probl\u00e8me, Gr\u00e9goire Mari\u00e9thoz s\u2019est bas\u00e9 sur le principe que l\u2019\u00e9volution de la couverture neigeuse suit des sch\u00e9mas constants d\u2019une ann\u00e9e \u00e0 l\u2019autre, lorsque les conditions m\u00e9t\u00e9o sont similaires. Il a d\u00e9velopp\u00e9 des algorithmes apprenant \u00e0 l\u2019ordinateur \u00e0 relier les valeurs de temp\u00e9ratures et de pr\u00e9cipitations mesur\u00e9es au sol, \u00e0 la couverture neigeuses observ\u00e9e sur des images satellites interpr\u00e9tables sans ambigu\u00eft\u00e9 (en incluant \u00e9galement d\u2019autres param\u00e8tres g\u00e9omorphologiques comme la topographie et l\u2019exposition). En reprenant les donn\u00e9es climatiques de diff\u00e9rentes p\u00e9riodes, il lui a ainsi \u00e9t\u00e9 possible de cr\u00e9er des images satellites \u201csynth\u00e9tiques\u201c de la couverture neigeuse des r\u00e9gions observ\u00e9es. Les projections effectu\u00e9es ont pu \u00eatre valid\u00e9es, d\u2019une part avec une comparaison par rapport \u00e0 des mesures faites sur site, et d\u2019autre part avec des images prises par un autre satellite. Dans tous les cas, les images synth\u00e9tiques pr\u00e9disent une r\u00e9partition de la couverture neigeuse plus proche de la r\u00e9alit\u00e9 que celle des mod\u00e8les traditionnels qui se basent uniquement sur les processus physiques de fonte de la neige.<\/p>\n<\/div>\n<\/div>\n\n\n\n

\n

Pour aller plus loin<\/h3>\n\n\n\n

Mod\u00e8le stochastique : <\/strong>Un mod\u00e8le stochastique est un mod\u00e8le math\u00e9matique qui prend en compte l\u2019incertitude ou le caract\u00e8re al\u00e9atoire de certains des param\u00e8tres \u00e9tudi\u00e9s. Contrairement aux mod\u00e8les d\u00e9terministes qui produisent des r\u00e9sultats identiques pour des conditions initiales donn\u00e9es, les mod\u00e8les stochastiques int\u00e8grent des \u00e9l\u00e9ments de hasard dans leurs formulations. Ces mod\u00e8les sont souvent utilis\u00e9s pour repr\u00e9senter des ph\u00e9nom\u00e8nes influenc\u00e9s par des variables al\u00e9atoires ou des processus al\u00e9atoires.<\/p>\n\n\n\n

Dans un mod\u00e8le stochastique, les r\u00e9sultats ne sont pas pr\u00e9d\u00e9termin\u00e9s, mais sont plut\u00f4t caract\u00e9ris\u00e9s par des distributions de probabilit\u00e9. Cela permet de mieux repr\u00e9senter des ph\u00e9nom\u00e8nes r\u00e9els qui peuvent \u00eatre soumis \u00e0 des variations impr\u00e9visibles ou \u00e0 des fluctuations al\u00e9atoires. Les mod\u00e8les stochastiques sont couramment utilis\u00e9s dans divers domaines tels que la finance, la m\u00e9t\u00e9orologie, la physique des particules, et d\u2019autres domaines o\u00f9 l\u2019incertitude et le hasard jouent un r\u00f4le significatif.<\/p>\n<\/div>\n\n\n\n

\n
\n\n\n\n
\n
\n
\n

Le Professeur Gr\u00e9goire Mari\u00e9thoz s\u2019int\u00e9resse \u00e0 diff\u00e9rents processus environnementaux li\u00e9s \u00e0 l\u2019hydrologie et au climat.<\/strong><\/p>\n\n\n\n

Facult\u00e9 des g\u00e9osciences et de l’environnement<\/strong><\/p>\n\n\n\n

Algorithmes en Informatique, Dynamique fluviale, Climatologie<\/p>\n\n\n\n

\n
Profil<\/a><\/div>\n\n\n\n
Publications<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\"Portrait<\/figure>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Et si l\u2019on reconstituait l\u2019\u00e9volution de la neige alpine malgr\u00e9 des images satellites incompl\u00e8tes ? Gr\u00e9goire Mari\u00e9thoz y parvient en combinant statistiques, physique et intelligence artificielle.<\/p>\n","protected":false},"author":108,"featured_media":3269,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-741","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/741","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/108"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=741"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/741\/revisions"}],"predecessor-version":[{"id":2574,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/741\/revisions\/2574"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3269"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=741"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=741"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=741"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}