Modélisation spatio-temporelle d’une variable quantitative à partir de données multi-sources : Application à la température de surface des océans

par Pierre Tandeo

Thèse de doctorat en Mathématique, physique, informatique

Sous la direction de David Causeur.

Soutenue en 2010

à Rennes, Agrocampus Ouest .


  • Résumé

    Ce travail de thèse porte sur une variable océanographique importante dans le suivi du climat : la température de surface des océans. Au niveau global, les observations de cette température sont fournies principalement par des radiomètres embarqués sur des satellites. Afin de traiter ce flux important de données, un traitement statistique s’impose dans le but de synthétiser l’information en des cartes globales et quotidiennes de notre variable d’intérêt. Pour ce faire, nous proposons un modèle linéaire de type espace-d’état avec des erreurs Gaussiennes. Nous commençons par présenter ce modèle sur des données issues de séries temporelles ayant un échantillonnage irrégulier. Suit un travail d’inférence avec la mise en place d’un schéma d’estimation des paramètres, basé sur la combinaison d’une méthode des moments et du maximum de vraisemblance au travers de l’algorithme EM et des probabilités de filtrage et lissage de Kalman. Nous appliquons enfin cette méthodologie pour estimer les variances d’erreurs et le paramètre de corrélation temporelle à tout l’océan Atlantique. Nous ajoutons ensuite la composante spatiale et proposons une structure d’ordre deux, séparable, basée sur le produit d’une covariance temporelle et d’une covariance spatiale anisotrope. Les paramètres de cette dernière sont estimés sur l’océan Atlantique à partir de techniques géostatistiques usuelles et forment un atlas pertinent pour les océanographes. Finalement, nous montrons que l’apport de l’information spatiale augmente le pouvoir prédictif du modèle.


  • Résumé

    In this thesis, an important oceanographic variable for the monitoring of the climate is studied: the sea surface temperature. At the global level, this variable is observed along the ocean by several remote sensed sources. In order to treat all this information, statistical methods are used to summarize our variable of interest in global daily map. For that purpose, a state-space linear model with Gaussian error is suggested. We begin to introduce this model on data resulting from having an irregular sampling. Then, we work on the estimation of the parameters. This is based on the combination of the method of moments and the maximum likelihood estimates, with the study of the EM algorithm and the Kalman recursions. Finally, this methodology is applied to estimate the variance of errors and the temporal correlation parameter to the Atlantic ocean. We add the spatial component and propose a separable second order structure, based on the product of a temporal covariance and a spatial anisotropic covariance. According to usual geostatistical methods, the parameters of this covariance are estimated on the Atlantic ocean and form a relevant atlas for the oceanographers. Finally, we show that the contribution of the spatial information increases the predictive behaviour of the model.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (113 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. (109-113 p.)

Où se trouve cette thèse ?

  • Bibliothèque : AGROCAMPUS OUEST. Bibliothèque Générale de Rennes.
  • Disponible pour le PEB
  • Cote : G 8
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.