Thèse soutenue

Analyse multivariée de la dépendance temporelle des extrêmes pour la modélisation des précipitations sévères
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Gloria Buriticá
Direction : Olivier WintenbergerPhilippe Naveau
Type : Thèse de doctorat
Discipline(s) : Mathématiques
Date : Soutenance le 31/05/2022
Etablissement(s) : Sorbonne université
Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire de probabilités, statistique et modélisation (Paris ; 2018-....)
Jury : Président / Présidente : Marie Kratz
Examinateurs / Examinatrices : Axel Bücher, Sebastian Engelke, Stéphane Girard, Olivier Lopez
Rapporteurs / Rapporteuses : Anja Janßen, Mathieu Ribatet

Résumé

FR  |  
EN

Il est commun dans les sciences de l'environnement d'utiliser la théorie des valeurs extrêmes pour évaluer le risque des dangers naturels. En hydrologie, les précipitations atteignent fréquemment des hauts niveaux d'intensité, ce qui suggère de modéliser les pluies sévères à l'aide d'une distribution à queue lourde. Dans ce contexte, la gestion du risque est cruciale pour prévenir des conséquences économiques et sociétales majeures telles que des inondations ou des glissements de terrain. Par ailleurs, les dynamiques du climat peuvent produire des conditions météorologiques extrêmes pendant plusieurs jours sur la même région. Cependant, dans le cadre stationnaire, les praticiens négligent souvent les dépendances temporelles des extrêmes multivariées. Cette thèse propose un cadre théorique pour la modélisation des dépendances temporelles des séries chronologiques stationnaires à variation régulière et des nouvelles méthodologies statistiques pour agréger les observations spatiotemporelles des extrêmes.Plus précisément, nous développons l'étude de cas sur les précipitations extrêmes d'un réseau météo en France. Nous considérons des observations consécutives, ou blocs, et analysons leur comportement lorsque leur lp-norme atteint des niveaux extrêmes, pour p > 0. Cette approche conduit à la théorie des p-clusters qui sert à modéliser les lp-blocs extrémaux. Dans le cas p= ∞, nous retrouvons la définition classique du cluster extrémal . Pour p <∞, nous nous appuyons sur les principes de grandes déviations pour les observations à queue lourde. Nous approfondissons sur deux cas où la théorie des p-clusters semble pratique. Premièrement, nous proposons des estimateurs de blocs disjoints pour estimer des statistiques des p-clusters, e.g., l'indice extrémal. De plus, nous retraçons les p-clusters par une fonctionnelle de changement de norme. Cette relation ouvre la voie à une possible amélioration de l'inférence des clusters puisque nous pouvons maintenant estimer la même quantité avec des choix de p différents. Nous montrons que l'inférence des clusters basée sur p < ∞ est avantageuse par rapport à la stratégie classique p=∞ concernant le biais. Deuxièmement, nous proposons une méthode pour l'inférence des niveaux de retour extrémaux. Cette méthode améliore l'inférence marginale en agrégeant les extrêmes dans l'espace et dans le temps à l'aide de la norme lα, où α > 0 est l'indice (de queue) de la série. En simulation, cette méthode paraît robuste pour traiter les dépendances temporelles et se justifie par la théorie des α-cluster.