Planification et analyse de données spatio-temporelles / Papa Abdoulaye Faye ; sous la direction de Pierre Druilhet

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Langue / Language : anglais / English

Statistique bayésienne

Druilhet, Pierre (Directeur de thèse / thesis advisor)

Pommeret, Denys (1968-.... ; mathématicien) (Président du jury de soutenance / praeses)

Dabo-Niang, Sophie (1973-....) (Rapporteur de la thèse / thesis reporter)

Clavier, Laurent (1970-....) (Rapporteur de la thèse / thesis reporter)

Yao, Anne-Françoise (Membre du jury / opponent)

Helbert, Céline (1977-... ; ingénieur Civil des Mines) (Membre du jury / opponent)

Azzaoui, Nourddine (Membre du jury / opponent)

Université Blaise Pascal (Clermont-Ferrand ; 1976-2016) (Organisme de soutenance / degree-grantor)

École doctorale des sciences fondamentales (Clermont-Ferrand) (Ecole doctorale associée à la thèse / doctoral school)

Résumé / Abstract : La Modélisation spatio-temporelle permet la prédiction d’une variable régionalisée à des sites non observés du domaine d’étude, basée sur l’observation de cette variable en quelques sites du domaine à différents temps t donnés. Dans cette thèse, l’approche que nous avons proposé consiste à coupler des modèles numériques et statistiques. En effet en privilégiant l’approche bayésienne nous avons combiné les différentes sources d’information : l’information spatiale apportée par les observations, l’information temporelle apportée par la boîte noire ainsi que l’information a priori connue du phénomène. Ce qui permet une meilleure prédiction et une bonne quantification de l’incertitude sur la prédiction. Nous avons aussi proposé un nouveau critère d’optimalité de plans d’expérience incorporant d’une part le contrôle de l’incertitude en chaque point du domaine et d’autre part la valeur espérée du phénomène.

Résumé / Abstract : Spatio-temporal modeling allows to make the prediction of a regionalized variable at unobserved points of a given field, based on the observations of this variable at some points of field at different times. In this thesis, we proposed a approach which combine numerical and statistical models. Indeed by using the Bayesian methods we combined the different sources of information : spatial information provided by the observations, temporal information provided by the black-box and the prior information on the phenomenon of interest. This approach allowed us to have a good prediction of the variable of interest and a good quantification of incertitude on this prediction. We also proposed a new method to construct experimental design by establishing a optimality criterion based on the uncertainty and the expected value of the phenomenon.