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

Spatio-temporal data analysis for dynamic phenomenon monitoring using mobile sensors

• Auteur / Autrice : Ichrak Mokhtari
• Direction : Walid Bechkit, Hervé 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-....)
• Partenaire(s) de recherche : Laboratoire : CITI - Centre d'Innovation en Télécommunications et Intégration de services (Lyon, INSA)
• Jury : Président / Présidente : Aline Carneiro Viana
• Jury : Examinateurs / Examinatrices : Walid Bechkit, Hervé Rivano, Aline Carneiro Viana, Nathalie Mitton, Enrico Natalizio, Christophe Garcia, Bérengère Lebental
• Jury : Rapporteur / Rapporteuse : Nathalie Mitton, Enrico Natalizio

Mots clés

Mots clés contrôlés

Prévision

Pollution atmosphérique

Apprentissage profond

Analyse des données

Intelligence artificielle

Mots clés libres

Informatique

Apprentissage

Pollution atmosphérique

Prédiction spatiotemporelle

Apprentissage Profond

Apprentissage par Renforcement

Planification

Trajectoire des drones

Informatics

Machine Learning

Atmospheric pollution

Spatiotemporal prediction

Deep Learning

Reinforcement Learning

Planning

Drones path

Résumé

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.

Monitoring air pollution plumes in emergency situations (industrial accidents, natural disasters, deliberate terrorist releases, etc.) becomes an issue of utmost importance in cities worldwide, given the dramatic effects that the released pollutants can cause. In these situations, the pollution plume is strongly dynamic leading to a fast dispersion of pollutants in the atmosphere. Thus, the need for a real-time response is very strong and a solution to get a precise mapping of pollution dispersion is needed to mitigate risks. Failure to do so could result in devastating consequences, underscoring the importance of air pollution monitoring in emergency scenarios. Nonetheless, achieving accurate mapping of pollution dispersion in real-time remains a challenging task, requiring innovative solutions to help authorities make informed decisions and take swift action to protect public health and the environment. In this thesis, we focus on air pollution monitoring in an emergency context using a fleet of drones, with three main areas of investigation: 1) predicting dynamic air pollution concentration in space and time; 2) optimizing the path planning of drones to improve the accuracy of pollution mapping; 3) developing and validating a generic framework for monitoring pollution plumes in emergencies. Through this work, we develop a spatio-temporal Deep Learning model for multi-point forecasting of pollution concentrations, and we built upon several uncertainty quantification techniques to make it more trustworthy. Furthermore, we examine and identify the main challenges related to the dynamic nature of the underlying phenomenon as well as its emergency context; and we suggest a new systemic approach for monitoring dynamic air pollution based on aerial sensing. The latter combines Deep Learning approaches, with Data Assimilation techniques, while relying at the same time on adequate path-planning strategies. This framework is meticulously studied and extended later to handle data paucity issues encountered in such a context through a transfer learning solution based on physics-based modeling, hence making it operational. Finally, we address meticulously the drones path planning problem with the purpose of improving the air pollution mapping quality, and we provide a Multi-Agent Reinforcement Learning solution where the impact of the number of drones as well as the simulation errors is carefully investigated. Along this thesis, all solutions were evaluated and validated with extensive experiments using real-world data sets, and some interesting engineering insights were derived.