En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal AgroParisTech Université Paris Saclay

MIA Paris

Soutenance de thèse de Annarosa Quarello

mardi 15 décembre à 14h - En visioconférence

Développement de nouvelles méthodes d’homogénéisation des données atmosphériques GNSS. Application à l’étude de la variabilité climatique.

Lien de connexion Zoom : https://u-paris.zoom.us/j/86263799451?pwd=RGNMc2pOekZ3NUIwbkhnOTdUcytWQT09

Résumé : Les séries longues de contenu intègre en vapeur d’eau (CIVE) mesurées par GNSS sont affectées par des inhomogénéités liées aux changements de l’instrumentation, de l’environnement et de la procédure de traitement des données. L’homogénéisation de ces séries est une ́étape cruciale pour les applications en climatologie. Du fait de la forte variabilité naturelle du CIVE, la segmentation doit être appliquée sur des différences de CIVE entre les observations GNSS et une référence qui dans notre application est actuellement la reanalyse ERA-Interim. Nous avons développé une méthode de segmentation dédiée à la détection de changements abrupts dans la moyenne qui prend en compte un biais périodique et une variance hétérogène dans ces données. L’algorithme calcule dans un premier temps la variance mensuelle avec un estimateur robuste. Ensuite, il estime à nombre de ruptures fixe de manière itérative (i) le biais périodique et (ii) les positions des points de rupture et les moyennes du signal, pour tous les nombres de ruptures testes. Cette estimation est réalisée au sens du maximum de vraisemblance et s’appuie sur l’algorithme de programmation dynamique qui est le seul à fournir la solution exacte en un temps raisonnable. 

Finalement, le nombre optimal de ruptures est choisi à l’aide d’une méthode de sélection de modèle pénalisée. La méthode a ́été testée et optimisée à l’aide de simulations numériques et appliquée aux données de CIVE GNSS pour 120 stations du réseau IGS. Enfin, les informations de segmentation sont incluses dans un a algorithme de régression linéaire qui est utilisé pour estimer les tendances. La méthode est implémentée dans le package R GNSSseg, disponible sur le CRAN.

Le jury présent est composé de :
M Rigaill Guillem (INRAE) - Rapporteur
M Aguilar Enric (Universitat Rovira i Virgili) - Rapporteur
M Mestre Olivier (Meteo-France) - Examinateur
Mme Lévy-Leduc Céline (AgroParisTech - Univ. Paris Saclay) - Examinatrice
Mme Picon Laurence (LMD) - Examinatrice
Mme Lebarbier Emilie (Université Paris Nanterre) - Co-directrice de thèse
M Bock Olivier (IPGP - IGN) - Directeur de thèse

Abstract : The long series of integrated water vapor content (IWV) measured by GNSS are affected by inhomogeneities linked to changes in the instrumentation, the environment, and the data processing procedure. The homogenization of these series is a crucial step for applications in climatology, e.g. estimating the trend and decennial variability. Due to the high natural variability of IWV, segmentation must be applied to IWV differences between GNSS observations and a reference which in our application is currently the ERA-Interim reanalysis. We have developed a segmentation method dedicated to the detection of abrupt changes in the mean which takes into account a periodic bias and a heterogeneous variance in these data. The algorithm first calculates the monthly variance with a robust estimator. Then, it estimates the number of breaks fixed iteratively (i) the variable bias and (ii) the positions of the change-points and the means of the signal, this for all the numbers
 of breaks tested. In a maximum likelihood approach, this estimation is carried out and it is based on the dynamic programming algorithm which is the only one to provide the exact solution in a reasonable time.
Finally, the optimal number of change-points is chosen using a penalized model selection method. Four penalty criteria are proposed. The method was tested and optimized using numerical simulations and applied to IWV GNSS data for 120 stations in the global IGS network for the period from January 1995 to December 2010. The results on this data were validated using IGS metadata. The method is implemented and distributed in the form of an R package GNSSseg available on the CRAN.
 
 
The jury is composed of
Rigaill Guillem (INRAE) - Reviewer
Aguilar Enric (Universitat Rovira i Virgili) - Reviewer
Mestre Olivier (Meteo-France) - Examiner
Lévy-Leduc Céline (AgroParisTech - Univ. Paris Saclay) - Examiner
Picon Laurence (LMD) - Examiner
Lebarbier Emilie (Université Paris Nanterre) - Co-supervisor
Bock Olivier (IPGP - IGN) - Supervisor