Les sciences de l’environnement combinent diverses disciplines scientifiques pour comprendre et traiter les problèmes environnementaux critiques tels que le changement climatique, la pollution et la perte de biodiversité, et pour développer des solutions durables afin de préserver les écosystèmes et les ressources de la planète. Aujourd’hui, la production croissante de données d’observation et d’expérimentation dans les sciences de l’environnement nécessite des compétences et des outils avancés en science des données pour gérer, analyser et interpréter des ensembles de données complexes et à grande échelle et leur donner un sens. La science des données se concentre sur l’extraction d’informations à partir des données par l’identification de modèles, la prédiction de résultats et l’optimisation des processus. Il s’agit d’une discipline interdisciplinaire qui s’appuie sur des domaines de recherche bien établis tels que l’apprentissage automatique, les statistiques, l’exploration de données et la gestion de données, qui doivent travailler en synergie.
Iroko préconise une approche scientifique interdisciplinaire pour relever les défis des sciences de l’environnement en utilisant et en améliorant la science des données. Cette approche devrait avoir un impact important à la fois sur la science des données, en proposant de nouvelles solutions et de nouveaux systèmes, et sur les sciences de l’environnement, en contribuant à des résultats appliqués à des cas d’utilisation réels dans les domaines de la biodiversité, de l’agriculture et de la santé.
Permanents
Esther Pacitti, Professeur des universités, UM
Florent Masseglia, Directeur de recherche, INRIA
Alexis Joly, Directeur de recherche, INRIA
Nadine Jacquet, Assistant ingénieur, CNRS
Reza Akbarinia, Chargé de recherche, INRIA
Cathy Desseaux, Assistant ingénieur, INRIA
Benjamin Bourel, Chargé de recherche, INRIA
Christophe Botella, Chargé de recherche, INRIA
Jean-Christophe Lombardo, Ingénieur de recherche, INRIA
Antoine Affouard, Ingénieur d’étude, INRIA
Doctorants
Matteo Contini, IFREMER
Sebastien Gigot Leandri, CNRS
Kawtar Zaher, INA (Institut National de l’Audiovisuel)
Raphael Benerradi, UM
Guillaume Coulaud, UM
Théo Larcher, UM
Cesar Leblanc, INRIA
Loai Gandeel, INRIA
Autres personnels
Benoit Lange, CDD Ingénieur-Technicien, INRIA
Thomas Paillot, CDD Ingénieur-Technicien, INRIA
Remi Palard, Invité longue durée Mission longue, CIRAD
Ilyass Moummad, CDD Chercheur, INRIA
Jean Baptiste Fermanian, CDD Chercheur, UM
Julien Thomazo, CDD Ingénieur-Technicien, CNRS
Mathias Chouet, Invité longue durée Mission longue, CIRAD
Maxime Ryckewaert, CDD Chercheur, INRIA
Fabio Machado Porto, CDD Chercheur, INRIA
Axel Vaillant, CDD Ingénieur-Technicien, INRIA
Rebecca Pontes Salles, CDD Chercheur, INRIA
Pierre Leroy, CDD Ingénieur-Technicien, INRIA
Hugo Gresse, CDD Ingénieur-Technicien, INRIA
Patrick Valduriez, Invité longue durée Eméritat, INRIA
Joseph Salmon, Invité longue durée Délégation, INRIA
Big Data et évolutivité
Nous explorons des méthodes efficaces pour traiter et analyser de vastes ensembles de données environnementales. Nous nous concentrons sur l’intégration de diverses sources de données, du climat à la génomique, dans des modèles évolutifs pour prédire les changements environnementaux. Nous relevons des défis tels que les modèles de données temporelles et les anomalies, en mettant l’accent sur la cohérence et la facilité d’utilisation de nos outils, tels que LifeSWS, qui combine la gestion de modèles avec des cadres informatiques distribués.
Apprentissage automatique avec l’homme dans la boucle
Dans cet axe de recherche, nous voulons intégrer le retour d’information de l’homme dans les processus d’apprentissage automatique afin d’améliorer les performances des modèles. Il s’agit notamment d’optimiser les données de la science citoyenne, notamment à partir de plateformes comme Pl@ntNet, dans les modèles de distribution des espèces, de corriger les biais des données et d’affiner la gestion de l’incertitude de l’IA pour des tâches telles que la cartographie de la biodiversité. Nous donnons la priorité aux modèles qui s’adaptent aux interactions du monde réel et garantissent la fiabilité des prédictions dans les applications écologiques.
Analyse de données multi-échelles et multimodales
Notre objectif est d’exploiter diverses données environnementales à plusieurs échelles et provenant de différentes sources pour développer des techniques d’analyse innovantes. Nos domaines d’application s’étendent de la surveillance de la biodiversité à la modélisation du climat et à la gestion des ressources, ce qui nécessite des avancées dans l’analyse des séries temporelles multivariées et des stratégies efficaces d’intégration des données. Ces méthodes transforment des données complexes en informations utiles dans un large éventail de domaines scientifiques et environnementaux.