Thèse soutenue

Analyse de données spatio-temporelles pour le suivi de phénomènes dynamiques à l'aide de capteurs mobiles.

FR  |  
EN
Auteur / Autrice : Ichrak Mokhtari
Direction : Walid BechkitHervé Rivano
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 06/06/2023
Etablissement(s) : Lyon, INSA
Ecole(s) doctorale(s) : École doctorale InfoMaths (Lyon ; 2009-....)
Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
Laboratoire : CITI - Centre d'Innovation en Télécommunications et Intégration de services (Lyon, INSA)
Jury : Président / Présidente : Aline Carneiro Viana
Examinateurs / Examinatrices : Walid Bechkit, Hervé Rivano, Aline Carneiro Viana, Nathalie Mitton, Enrico Natalizio, Christophe Garcia, Bérengère Lebental
Rapporteur / Rapporteuse : Nathalie Mitton, Enrico Natalizio

Résumé

FR  |  
EN

La surveillance des panaches de pollution dans les situations d'urgence (accidents industriels, catastrophes naturelles, etc.) revêt une importance capitale dans les villes du monde entier, en raison des effets dramatiques que les polluants libérés peuvent causer. Dans ce genre de situations, le panache de pollution est fortement dynamique, entraînant une dispersion rapide des polluants dans l'atmosphère. Ainsi, la nécessité d'une réponse en temps réel est très forte et une solution pour obtenir une cartographie précise de la dispersion de la pollution est nécessaire pour atténuer les risques. Autrement, des conséquences potentiellement dévastatrices pourraient être relevées, ce qui souligne ainsi l'importance de la surveillance de la pollution de l’air, particulièrement dans les scénarios d'urgence. Cependant, obtenir une cartographie précise de la dispersion de la pollution en temps réel reste une tâche difficile, qui nécessite des solutions innovantes pour aider les autorités à prendre des décisions éclairées et à agir rapidement pour protéger la santé publique et l'environnement. Dans cette thèse, nous nous concentrons principalement sur le suivi de la pollution dynamique dans les cas d'urgence, avec trois principaux axes d'investigation: 1) la prédiction spatio-temporelle de l'évolution du panache de pollution; 2) la planification optimale des trajectoires des drones pour améliorer la qualité de la cartographie de la pollution; 3) le développement et la validation d'un framework générique pour la surveillance des panaches de pollution en situation d'urgence. À travers ce travail, nous présentons un modèle spatio-temporel basé sur l'apprentissage profond pour la prédiction multi-point des concentrations de pollution, et au-dessus, nous implémentons plusieurs techniques de quantification de l'incertitude pour avoir une mesure de fiabilité de ce dernier. Ensuite, nous examinons et identifions les principaux défis liés à la nature dynamique du phénomène étudié ainsi que son contexte d’urgence; et nous proposons une nouvelle approche systémique pour la surveillance de la pollution dynamique en se basant sur la mesure aérienne. Cette solution combine à la fois des approches d'apprentissage profond avec des techniques d'assimilation de données, tout en s'appuyant sur des stratégies adéquates de planification de trajectoires. Par la suite, ce framework a été méticuleusement étudié et étendu pour adresser les problèmes de manque de données rencontrés grâce à une solution d'apprentissage par transfert basée sur un modèle physique, le rendant ainsi opérationnel. Enfin, nous abordons le problème de la planification optimale des trajectoires des drones plus en détails à des fins d'amélioration de la qualité de la cartographie de la pollution, et nous présentons une solution d'apprentissage par renforcement multi-agent où l'impact du nombre de drones ainsi que les erreurs de simulation sont soigneusement étudiés.