Avis de soutenance de Matteo ZAMBRA

Vendredi 19.01.2024
Horaires :
De 14:00 à 16:00

Adresse :

Grand amphithéâtre, campus de Brest

Monsieur Matteo Zambra du département MEE et du laboratoire Lab-STICC, présentera ses travaux de recherche sur le sujet :

"Méthodes IA multimodales dans des contextes d’observation océanographique et de surveillance maritime multi-capteurs hétérogènes"

Avis de soutenance

En savoir +

Résumé : Cette thèse vise à étudier l’utilisation simultanée d’ensembles de données océaniques hétérogènes afin d’améliorer les performances des modèles prédictifs utilisés dans les domaines scientifiques et opérationnels pour la simulation et l’analyse de l’océan et du milieu marin. Deux études de cas distinctes ont été explorées au cours des travaux de thèse. La première étude se concentre sur l’estimation locale de la vitesse du vent à la surface de la mer à partir de mesures du paysage sonore sous-marin et de produits de modèles atmosphériques. La deuxième étude considère l’extension spatiale du problème et l’utilisation d’observations à différentes échelles et résolutions spatiales, depuis les pseudo-observations simulant des images satellites jusqu’aux séries temporelles mesurées par des infrastructures in-situ. Le thème récurrent de ces recherches est la multimodalité des données introduites dans le modèle. En d’autres termes, dans quelle mesure et comment le modèle prédictif peut bénéficier de l’utilisation de canaux d’information spatiotemporels hétérogènes. L’outil méthodologique privilégié est un système de simulation basé sur l’assimilation variationnelle des données et les concepts d’apprentissage profond.

Organisateur(s)

Dans le cadre de la co-accréditation de thèse d’IMT Atlantique au sein de l'école doctorale SPIN

Mots-clés : Apprentissage Machine multi-modal, Données océaniques hétérogènes, Vitesse du vent à la surface de la mer

Publié le 16.01.2024
 
1
 
2
 
3
 
4
 
5
 
6
 
7
 
8
 
9
 
10
 
11
 
12
 
13
 
14
 
15
 
16
 
17
 
18
 
19
 
20
 
21
 
22
 
23
 
24
 
25
 
26
 
27
 
28
 
29
 
30