Accueil > Séminaires > Séminaires 2018 > Apprentissage et Big Data Océan : modélisation, analyse et reconstruction de phénomènes dynamiques complexes









Rechercher



OSUG - Terre Univers Environnement

Apprentissage et Big Data Océan : modélisation, analyse et reconstruction de phénomènes dynamiques complexes

Séminaire de R. Fablet, Mercredi 23 Mai à 14h en salle Lliboutry, Bâtiment Glaciologie

26 avril 2018 ( maj : 16 mai 2018 ), par Fabien Gillet-Chaulet

Titre : Apprentissage et Big Data Océan : modélisation, analyse et reconstruction de phénomènes dynamiques complexes
Par R. Fablet, Prof. IMT Atlantique, Lab-STICC/TOMS

Séminaire invité du Grenoble Alpes Data Institute

Résumé :
Les techniques d’apprentissage et les approches « basées données » deviennent rapidement des alternatives pertinentes aux approches classiques (« basées modèles ») pour de très nombreux domaines applicatifs, y compris pour l’étude des phénomènes régis par des lois physiques. Elles offrent de nouvelles stratégies pour tirer parti du potentiel des masses de données d’observation et/ou simulation disponibles.
Nous nous intéressons ici plus particulièrement à l’étude de phénomènes dynamiques complexes (e.g., trajectoires, dynamiques fluides) et à la définition de représentations stochastiques « basées données » de ces phénomènes dynamiques. Nous illustrerons les principaux concepts et modèles sous-jacents, en particulier les approches analogues et l’apprentissage profond, à travers différentes applications exploitant des données trajectométriques et d’imagerie dans le domaine du monitoring et de la surveillance de l’océan (e.g., interpolation de données manquantes, détection de comportements anormaux, prévision).

Références :
R. Lguensat, P. Tandeo, P. Aillot, R. Fablet. The Analog Data Assimilation. Monthly Weather Review, 2017.
R. Fablet, P. Viet, R. Lguensat. Data-driven Methods for Spatio-Temporal Interpolation of Sea Surface Temperature Images. IEEE Trans. on Computational Imaging, 2017.
R. Lguensat, P. Viet, M. Sun, G. Chen, F. Tenglin, B. Chapron, R. Fablet. Data-driven Interpolation of Sea Level Anomalies using Analog Data Assimilation. https://hal.archives- ouvertes.fr/hal-01609851.
S. Ouala, C. Herzet, R. Fablet. SST prediction and reconstruction using patch-level neural network representations. IEEE Int. Geoscience and Remote Sensing Symposium, IGARSS’2018, Valencia, July 2018.
D. Nguyen, R. Vadaine, G. Hajduch, R. Garello, and R. Fablet. A multi-task deep learning model for vessel monitoring using AIS streams. Submitted.