Optimisation de la sélection d'attributs pour l'analyse des phénomènes météorologiques régionaux // Optimizing feature selection for regional meteorological phenomena analysis

L'IA explicable vise à rendre les recommandations des systèmes d'IA plus transparentes et interprétables. La sélection d'attributs, composante clé de ce processus, consiste à choisir un sous-ensemble d'attributs pertinents pour les modèles d'induction, tout en préservant la sémantique originale des données. Cette sélection peut être formulée comme un problème d'optimisation. Cependant, sa complexité intrinsèque soulève des verrous scientifiques qui contraignent les méthodes actuelles à produire des solutions sous-optimales, révélant ainsi un biais encore mal compris dans les approches existantes. Ce projet de thèse interdisciplinaire vise à étudier et améliorer ces technologies dans le cadre de l'optimisation et de l'IA explicable, tout en évaluant leurs avantages dans le domaine environnemental. En effet, la sélection d'attributs trouve des applications dans divers domaines, notamment l'étude des phénomènes météorologiques. En particulier, nous nous intéresserons à la prédiction et à l'analyse des événements extrêmes, ainsi qu'à l'étude de la répartition de la pollution atmosphérique dans le contexte des changements climatiques régionaux. Le développement des énergies vertes s'inscrit dans une perspective plus large de développement économique régional. Ce projet exploitera ainsi des données locales de télédétection, des données globales de réanalyses (ERA5), et celles provenant de divers modèles climatiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Explainable AI aims to make the recommendations of AI systems more transparent and interpretable. Feature selection, a key component of this process, involves choosing a subset of relevant features for prediction models while maintaining the original data semantics. This selection can be framed as an optimization problem. However, its inherent complexity presents scientific challenges, causing current methods to yield suboptimal solutions and revealing a poorly understood bias in existing approaches. This interdisciplinary thesis project aims to study and enhance these technologies within the framework of optimization and explainable AI, while assessing their benefits in the environmental domain. Feature selection has applications in various fields, particularly in the study of meteorological phenomena. We will focus on predicting and analyzing extreme events, as well as examining atmospheric pollution distribution in the context of regional climate changes. The development of green energies is part of a broader regional economic development perspective. This project will use local data from remote sensing, global data from reanalyses (ERA5), and data from various climate models.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'une collectivité locale ou territoriale

Université du Littoral Côte d'Opale

585 Sciences, Technologie, Santé

Ce poste est ouvert aux titulaires d'un Master ou d'un diplôme d'ingénieur en informatique et/ou en physique. Les candidats doivent posséder une solide expertise en algorithmique, optimisation combinatoire, apprentissage automatique et science des données. Une connaissance approfondie de la physique atmosphérique et des sciences environnementales constitue un atout majeur. La maîtrise de la programmation (Python) est également indispensable.
This position is open to candidates holding a Master's degree or engineering degree in computer science and/or physics. Candidates should demonstrate strong expertise in algorithms, combinatorial optimization, machine learning, and data science. A thorough understanding of atmospheric physics and environmental sciences is highly desirable. Proficiency in (Python) programming is essential.