Assimilation de donnée, problèmes inverses, et apprentissage automatique

Thèmes de recherche historiques (2004-)

Nos activités de recherche recouvrent le développement et l'application de méthodes mathématiques  d'estimation dans le domaine des géosciences, et en particulier la météorologie, la qualité de l'air, et plus généralement les sciences du climat. Historiquement, nos principaux travaux ont porté sur l'assimilation de données appliquée à l'amélioration des prévisions et l'estimation de paramètres physiques ou statistiques. Elle a en particulier été adaptée aux problèmes inverses visant notamment l'estimation des émissions de polluants, aussi bien en qualité de l'air qu'aux sources de polluants accidentels dispersés dans l'atmosphère, et aux émissions et puits des gaz à effet de serre (en collaboration avec l'IRSN et le LSCE).

Nos contributions portent autant sur des cas d'applications que sur le développement fondamental de nouveaux algorithmes en assimilation de données, et ce jusqu'à des travaux mathématiques en appui à ces développements.  Nous avons également travaillé dans le domaine des statistiques environnementales, et en particulier à l'optimisation mathématique de réseaux de mesures pour la qualité de l'air.

Évolution récente (2018-)

Plus récemment, nous avons contribué à l'introduction de techniques de l'apprentissage statistique en assimilation de données pour les géosciences. Outre les résultats théoriques obtenus comme par exemple sur la construction de modèles substitut à base de réseaux de neurones profonds, nos applications principales ont porté sur la prévision en météorologie (avec le centre européen de prévisions météorologiques à moyen terme -- CEPMMT), sur la construction de modèles substitut pour la glace de mer, sur l'identification et estimation directes de panaches urbains de gaz à effet de serre depuis l'espace, et sur la construction de modèles réduits pour la dispersion atmosphérique en milieu urbain ou à petite échelle.