Applications des méthodes de réseaux de neurones profonds sur des données climatiques : cas d'étude sur la prévision des échouements des algues Sargasses en Guadeloupe
Résumé
In recent years, deep learning methods have revolutionized many fields, which motivated us to explore them during this internship. We carried out a state-of-the-art review of neural networks, noting a wide variety of models inspired by the workings of the human brain. These networks are organized in layers and adjust the weights of the neurons to improve predictions using learning methods. Our study focused on the application of convolutional neural networks for forecasting Sargasso seaweed arrivals in Guadeloupe, using varied climatic data such as winds, surface currents, satellite images and observations of seaweed arrivals on the Guadeloupe coast. We tested several approaches : classification models for forecasting up to 14 days, global regression models to unify the classification models, and zone regression models for forecasting up to 14 days, also indicating a probability of algae arrival. The results showed that the classification models achieved a mean accuracy of 94.75%, a mean specificity of 97.42%, and a mean sensitivity of 98.78%. Zone regression models achieved a mean accuracy of around 90%, a mean specificity of around 97%, and a mean sensitivity of around 85%, with a mean MAE of 13% and a mean RMSE of 18%. The global regression model performed less well, with a minimum accuracy and sensitivity of 60.14%, and relatively high MAE and RMSE scores of 27% and 41% respectively. These models perform better than the decision tree proposed in the state of the art for the same problem. We have also developed a web application called "Bulletin Sargasses" to share these results with the public. This application allows you to visualize the forecasts generated daily by the neural networks we have modeled.
Depuis quelques années, les méthodes d’apprentissage profond ont révolutionné de nombreuxdomaines, ce qui nous a motivés à les explorer durant ce stage. Nous avons réalisé un état de l’art des réseaux de neurones, constatant une grande diversité de modèles inspirés par le fonctionnement du cerveau humain. Ces réseaux sont organisés en couches et ajustent les poids des neurones pour améliorer les prédictions grâce à des méthodes d’apprentissage. Notre étude s’est concentrée sur l’application des réseaux de neurones convolutifs pour la prévision des arrivées d’algues Sargasses en Guadeloupe, utilisant des données climatiques variées comme les vents, courants de surface, images satellites et observations d’arrivée d’algues sur les côtes de la Guadeloupe. Nous avons testé plusieurs approches : des modèles de classification pour la prévision jusqu’à 14 jours, des modèles de régression globale pour unifier les modèles de classification, et des modèles de régression par zone pour une prévision jusqu’à 14 jours également, indiquant une probabilité d’arrivée d’algues. Les résultats ont montré que les modèles de classification ont obtenu une précision moyenne de 94.75%, une spécificité moyenne de 97.42%, et une sensibilité moyenne de 98.78%. Les modèles de régression par zone ont atteint une précision moyenne d’environ 90%, une spécificité moyenne d’environ 97%, et une sensibilité moyenne d’environ 85%, avec une MAE moyenne de 13% et une RMSE moyenne de 18%. Le modèle de régression globale a obtenu des résultats moins bons, avec une précision et une sensibilité minimales de 60.14%, et des scores de MAE et de RMSE relativement élevés, à savoir 27% et 41% respectivement. Ces modèles obtiennent de meilleurs résultats que l’arbre de décision proposé dans l’état de l’art pour le même problème. Nous avons également développé une application web nommée "Bulletin Sargasses" pour partager ces résultats avec le public. Cette application permet de visualiser les prévisions générées quotidiennement par les réseaux de neurones que nous avons modélisés.
Domaines
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
