Titre : Modélisation de signaux temporels hautes fréquences, multicapteurs à valeurs manquantes. Application à la prédiction des efflorescences phytoplanctoniques dans les rivières et les écosystèmes marins côtiers.

http://www-lisic.univ-littoral.fr/spip.php?article81

Financement prévu : IFREMER
Cofinancement éventuel : Agence de l’Eau Artois Picardie
(Co)-Directeur de thèse : Professeur Denis Hamad
E-mail : denis [dot] hamadlisic [dot] univ-littoral [dot] fr
Encadrants : Emilie Caillault.(LISIC) et Alain Lefebvre (IFREMER)
E-mail : Emilie [dot] Caillaultlisic [dot] univ-littoral [dot] fr / alain [dot] lefebvreifremer [dot] fr
Laboratoire : Laboratoire d’Informatique Signal et Image de la Côte d’Opale EA 4491
Equipe : Extraction de l’Information et Apprentissage

Descriptif :
Récemment,  l’apprentissage  semi-supervisé  a  reçu une attention toute  particulière  puisqu’il
permet  de  faire  intervenir  des  connaissances  a  priori  dans  un  processus  de  décision  à  partir  de
contraintes sur les données ou de labellisation réduite.  Nous projetons d’étendre cet  apprentissage à
l’étude de signaux issus de systèmes multicapteurs (station Marel-Carnot de l'Ifremer  et  stations de
l'Agence  de l'Eau Artois  Picardie)  et  intégrer  une modélisation dynamique à la  fois  temporelle  et
spatiale.
L’analyse des données permettra de caractériser l’environnement physico-chimique, météorologique et
biologique lors des efflorescences,  parfois nuisibles pour les écosystèmes pélagiques  et  benthiques,
voire pour l’homme. Le système proposé devra être robuste à la qualité des données qui sont bruitées,
manquantes et ou aberrantes.
Les travaux seront axés sur trois questions majeures :
- l’hybridation possible d’un système de classification semi-supervisé markovien,
- l’utilisation de cette modélisation pour traduire des phénomènes physiques, biologiques et les
possibilités  de  développement  d’indicateurs  de  suivi  et  de  prédiction  des  efflorescences
phytoplanctoniques.
- Les résultats attendus permettront de caractériser au mieux un ensemble de signaux temporels
multivariables par modèle dynamique.
L’étudiant devra être titulaire d’un Master 2 avec de préférence une orientation dans la modélisation et
traitement de signaux. Une expérience dans les sciences de l’océanographie sera appréciée. Une bonne
connaissance des outils de programmation et de logiciels de calcul numérique sera considérée avec intérêt.
Mots clés :
Apprentissage semi-supervisé – Mesures hautes fréquences – Détection– Modélisation –
Prédiction – Efflorescences phytoplanctoniques nuisibles.