Modèle de Markov Caché par Apprentissage semi-contraint. Application à  la caractérisation des événements nuisibles à  la qualité de l’eau.

équipe : Imap / Encadrants : A. Bigand, E. Caillault-Poisson / Financement envisagé : 50 % PMCO, 50 % ULCO – Télécharger le sujet détaillé

L’objectif de la thèse est de faire émerger des méthodes capables d’intégrer l’ensemble des informations disponibles des processus physico-biologiques, acquises à  des fréquences hebdomadaires, mensuelles ou annuelles directement dans l’apprentissage/construction des systèmes de détection et prédiction actuels qui travaillent sur des échelles beaucoup plus fine (de la seconde à  20 minutes). La connaissance actuelle des processus est souvent partielle et incomplète aussi bien temporellement que spatialement, notamment à  cause d’opérations de surveillance dites « coup-de-poing » ou de mesures de composition du réseau trophique (phyto/zooplancton à  poissons) dépendantes des conditions climatiques, voire encore des problèmes de maintenance de capteurs. émilie Poisson Caillault (DR., MCF ULCO/LISIC, Porteuse LISIC axe 1 CPER MARCO, Membre du CS Campus de la Mer, membre du Projet H2020 Jerico Next) et André Bigand (HDR, MCF ULCO/LISIC, membre du CS Campus de la Mer) sont impliqués dans la stratégie de développement des outils de modélisation et caractérisation des événements récurrents et nuisibles à  partir de données issus de stations fixes (Bouée MAREL-Carnot, Données REPHY et IGA Gravelines) et mobiles (notamment pour la ligne instrumentée du Ferrybox Calais-Douvres en cours de déploiement).

Mots clés : séries temporelles, incertitude, apprentissage par contraintes, classification semi-supervisée, intervalle de confiance 2D, qualité de l’eau.