Séminaire
Le séminaire aura pour objectif d'illustrer certains apports de l'apprentissage dans des applications environnementales complexes.
La première partie concernera la prévision d'ensemble. Un objectif est d'agréger un ensemble de prévisions en une prévision unique et meilleure que chaque prévision de l'ensemble. Une approche plus ambitieuse consiste à prévoir une distribution de probabilité afin de conserver une mesure de l'incertitude de prévision. Nous verrons qu'il est possible de prévoir une distribution plus performante que toute distribution empirique formée par une pondération constante des prévisions de l'ensemble. Les travaux seront illustrés par la prévision du rayonnement solaire et de la production photovoltaïque d'EDF.
La seconde partie concernera la substitution d'un modèle environnemental, complexe et numériquement coûteux, par un méta-modèle extrêmement rapide et pourtant suffisamment fidèle au modèle complet. Nous verrons comment il est possible de remplacer un modèle non-linéaire opérant en grande dimension en (1) procédant à une réduction de dimension sur ses entrées et ses sorties, et (2) apprenant le comportement du modèle par un échantillonnage adapté. Il est aussi possible d'y mêler des données d'observation (issues de stations ponctuelles) pour améliorer les prévisions du méta-modèle. L'approche sera illustrée par la simulation de la pollution atmosphérique et de la pollution sonore en milieu urbain, à la résolution de la rue.