Pour devenir membre du réseau et recevoir les actualités de la liste de diffusion, merci d'envoyer un mail à thomas POINT opitz AT inrae.fr.
Les objectifs du réseau RESSTE
- Le réseau RESSTE propose une animation scientifique autour des théories, modèles, méthodes et algorithmes dédiés à l’étude des événements extrêmes et des risques, simples ou multiples.
- Il vise à promouvoir l’exploitation des données spatiotemporelles et multimodales complexes qui caractérisent ces problématiques, au service de la modélisation explicative, prédictive et de l’aide à la décision, en mettant l’accent sur une représentation précise des incertitudes.
- RESSTE fédère une communauté de statisticiens issus de différents domaines ainsi que de modélisateurs d’autres disciplines confrontés à ces enjeux, afin de favoriser les échanges, les collaborations et la confrontation de perspectives méthodologiques et applicatives diverses.
- Nous encourageons une approche résolument interdisciplinaire, mettant en dialogue les différentes composantes de l’apprentissage statistique, de la statistique spatiale et temporelle, de l’intelligence artificielle et des disciplines scientifiques concernées par les risques et les événements extrêmes.
- Le réseau souhaite également contribuer à l’exploration des fronts de science, notamment autour de l’hybridation des modèles statistiques, mécanistes et issus du Machine Learning, ainsi que du développement et de l’utilisation de modèles génératifs et de méthodes d’IA scientifique pour mieux représenter les mécanismes, les interactions et les événements rares ou extrêmes dans des contextes spatiotemporels.
Du big data vers les connaissances
L'humanité a accumulé une quantité quasiment incommensurable de données relatives aux enjeux auxquels notre planète fait face. Ces données se trouvent en augmentation permanente grâce aux progrès de l'instrumentation et aux méthodes modernes d'acquisition de données, comme la télédétection et les capteurs embarqués. Cette profusion de données offre un potentiel sans précédent pour extraire de nouvelles connaissances. Les données d'observation sont complétées par d’immenses volumes de données simulées à l'aide de modèles numériques, comme les modèles climatiques qui intègrent les observations du passé et projettent des trajectoires du futur.
Données spatiotemporelles
Les données disponibles sont souvent géolocalisées et répétées dans le temps, et comportent un grand nombre de variables, parfois assez fortement dépendantes. Les défis posés par ces données spatio-temporelles sont multiples : ils concernent à la fois la visualisation de ces données, la définition de modèles pertinents, les méthodes d'estimation pour ceux-ci et la mise en œuvre de ces méthodes pour des ensembles de données de (très) grande taille.
Face à cette abondance de données disponibles de différentes sources et à différentes échelles spatiales et temporelles, le développement de nouveaux outils d'analyse et de prédiction spatiotemporelles est devenu un enjeu crucial dans le domaine de la statistique, et plus généralement de l‘apprentissage artificiel.
Événements extrêmes et risques
Il est particulièrement important de développer des méthodes spécifiques pour aborder les phénomènes ayant un fort impact sur les populations humaines et les écosystèmes, comme les événements extrêmes et les risques. En pratique, l'objectif est souvent triple :
Identifier les facteurs déterminant les phénomènes étudiés, et quantifier les incertitudes résiduelles.
Prévoir les évolutions à court terme en prenant en compte leurs incertitudes, mais aussi estimer les probabilités des événements possibles à long terme.
Simuler, confronter et analyser différents scénarios futurs possibles.