Soutenance de thèse : Ichrak MOKHTARI

Spatio-temporal data analysis for dynamic phenomenon monitoring using mobile sensors

Doctorante : Ichrak MOKHTARI

Laboratoire INSA : CITI
Ecole doctorale : ED512 : Infomaths

La surveillance des panaches de pollution est cruciale dans les situations d'urgence en raison des effets potentiellement catastrophiques des polluants. Les panaches sont hautement dynamiques et se dispersent rapidement, nécessitant une réponse en temps réel et une cartographie précise de la dispersion pour atténuer les risques. Cette thèse se concentre sur le suivi de la pollution dynamique dans les situations d'urgence, avec trois axes principaux : 1) la prédiction spatio-temporelle de l'évolution du panache de pollution; 2) la planification de trajectoires optimales des drones pour l'améliooration de la cartographie de la pollution; 3) le développement d'un framework générique pour la surveillance des panaches de pollution en situation d'urgence. Dans cette optique, nous proposons dans un premier temps un modèle spatio-temporel basé sur l'apprentissage profond pour la prediction multipoint des concentrations de pollution, et au dessus, nous implémentons plusieurs techniques de quantification de l'incertitude pour avoir une mesure de fiabilité de ce dernier. De plus, nous examinons et identifions les principaux défis liés à la nature dynamique du phénomène étudié ainsi que son contexte d'urgence, et nous proposons une nouvelle approche systémique pour la surveillance de la pollution dynamique se basant sur la mesure aérienne, et combinant des approches d'apprentissage profond avec des techniques d'assimilation de données, tout en s'appuyant sur des stratégies de planification de trajectoires de drones adéquates. Nous étendons ensuite ce framework pour prendre en compte les problèmes de manque de données rencontrés grâce à une solution d'apprentissage par transfert basée sur un modèle physique. Enfin, nous abordons plus méticuleusement le problème de la planification optimale des trajectoires des drones dans le but d'améliorer la qualité de la cartographie de la pollution, avec une solution d'apprentissage par renforcement multi-agents.