Réduction de l'incertitude dans les mesures environnementales à l'aide de l'estimation bayésienne et adaptative des moments : cas d'étude ville andine de Quito

Reducing incertainty in environmental measurements using bayesian and adaptive moment estimation : study case Andean city of Quito

• Auteur / Autrice : Ricardo Xavier Llugsi
• Direction : Samira El Yacoubi, Pablo Lupera, Allyx Fontaine
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance le 17/06/2023
• Etablissement(s) : Perpignan
• Ecole(s) doctorale(s) : École doctorale Énergie environnement (Perpignan ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : ESPACE-DEV (Montpellier)
• Jury : Président / Présidente : Anne Laurent
• Jury : Examinateurs / Examinatrices : Amira Mouakher, Thierry Talbert
• Jury : Rapporteur / Rapporteuse : Sadok Ben Yahia, Akka Zemmari

Mots clés

Mots clés contrôlés

Statistique bayésienne

Modèles mathématiques

Temps (météorologie) -- Prévision

Temps (météorologie) -- Prévision numérique

Quito (Équateur)

Changements climatiques

Mots clés libres

Réseau neuronal

Paramètres environnementaux

L'apprentissage en profondeur

Neural Network

Environmental parameters

Deep Learning

Résumé

Étant donné la topographie unique de Quito, il est difficile de prédire les changements climatiques dans cette ville. Cette thèse se concentre sur l'étude de données météorologiques, en particulier pour la ville de Quito. Pour atteindre cet objectif, des micro stations météorologiques automatiques (SMA) ont été installées sur des sites d'intérêt et les données ont été collectées sur un serveur FTP dans le Cloud en utilisant le réseau cellulaire disponible. L'objectif de cette étude est de prédire les paramètres environnementaux tout en identifiant les erreurs de mesure afin de fournir un ajustement de la calibration des stations pour corriger ces erreurs. Nous avons développé et analysé quatre modèles différents pour obtenir des prévisions fiables : un modèle ARIMA (autoregression intégrée à moyenne mobile), un modèle LSTM (mémoire à court et long terme), un modèle LSTM empilé et un modèle LSTM convolutif avec une réduction des erreurs d'incertitude. Pour détecter les erreurs dans les micro-stations météorologiques automatiques, nous utilisons des séries temporelles provenant de deux stations fortement corrélées avec la station en cours d'analyse pour obtenir une prévision du paramètre mesuré (température dans nos expériences) sur 24 heures. Cela nous permet de déterminer si la station en cours d'analyse enregistre des mesures erronées. Pour détecter les erreurs de mesure, une comparaison est effectuée de manière itérative avec les informations de chaque micro-station en fonction de ses stations voisines. La différence entre les coefficients de corrélation initiaux et ceux acquis au temps t est calculée. Si cette différence dépasse un certain seuil, l'algorithme signale une erreur et lance le calcul d'ajustement de cette erreur en se basant sur la prévision calculée pour cette station. Finalement, nous fournissons les paramètres de l'équation de calibration du capteur de la station en utilisant l'ajustement proposé. Pour mener cette étude, nous avons utilisé différentes techniques, notamment le calcul de coefficients de corrélation, l'utilisation d'un réseau de neurones multicouche, la conception d'une nouvelle version de l'optimiseur ADAM et une stratégie de réduction de l'incertitude basée sur une approche bayésienne.

Given the unique topography of Quito, predicting climate change in this cityis challenging. This thesis focuses on the study of meteorological data, specificallyfor the city of Quito. To achieve this goal, automated micro meteorological stations(AMS) were deployed at sites of interest and data was collected on an FTP server inthe cloud using the available cellular network. The main objective of this study isto predict environmental parameters while identifying measurement errors in order tocalibrate the stations and correct these errors.In this thesis, we developed four different models to obtain accurate forecasts:an ARIMA (AutoRegressive Integrated Moving Average) model, an LSTM (LongShort-Term Memory) model, a stacked LSTM model, and a convolutional LSTMmodel with uncertainty error reduction. To detect errors in the automated micro meteorological stations (AMS), we use time series data from two highly correlated stationswith the station under analysis to obtain a 24-hour forecast of the measured parameter (temperature in our experiments). This allows us to determine if the station underanalysis is recording inaccurate measurements. To detect measurement errors, a comparison is iteratively performed with information from each micro station based on itsneighboring stations. The difference between the initial correlation coefficients andthose acquired at time t is calculated. If this difference exceeds a certain threshold,the algorithm signals an error and initiates the calculation of an adjustment for thiserror based on the calculated forecast for that station. Finally, we provide the sensor calibration equation parameters of the station using the proposed adjustment. Toconduct this study, we applied various techniques, including correlation coefficient calculations, the use of a multilayer neural network, the design of a new version of theADAM optimizer, and a Bayesian-based uncertainty reduction strategy.