Éditeur(s) : HAL CCSD
Résumé : International audience
Modelling techniques for river hydrologic forecasting systems have taken advantage of machine learning methods especially for flood prediction. But current solutions, mostly based on artificial neural networks do not always meet end users requirements on the readability and the understandability of predictive models. In this paper, we present a new version of our original solution based on the concept of aggregate variables in order to predict flash flood events from observed water level and/or rain measurements, particularly in the context of caribbean watersheds in which flash flood are much uncertain. We combine aggregate variables in juries. Juries of aggregate variables are trained and tested using a typical 10-fold cross validation scheme. Best juries are searched through an evolutionary approach that is optimized. Different parameters are set up like aggregation periods and jury sizes to prove the efficiency of the proposed approach compared to classical solutions.
Congress on Evolutionary Computation (CEC) 2013
Cancun, Mexico

hal-00847582
https://hal.archives-ouvertes.fr/hal-00847582
DOI : 10.1109/CEC.2013.6557656

Éditeur(s) : HAL CCSD MDPI
Résumé : International audience
ISSN: 2072-4292

hal-01429038
https://hal.archives-ouvertes.fr/hal-01429038
DOI : 10.3390/rs5073583

Éditeur(s) : HAL CCSD Elsevier
Résumé : International audience
Mapping forest aboveground biomass (AGB) has become an important task, particularly for the reporting of carbon stocks and changes. AGB can be mapped using synthetic aperture radar data (SAR) or passive optical data. However, these data are insensitive to high AGB levels (>150 Mg/ha, and >300 Mg/ha for P-band), which are commonly found in tropical forests. Studies have mapped the rough variations in AGB by combining optical and environmental data at regional and global scales. Nevertheless, these maps cannot represent local variations in AGB in tropical forests. In this paper, we hypothesize that the problem of misrepresenting local variations in AGB and AGB estimation with good precision occurs because of both methodological limits (signal saturation or dilution bias) and a lack of adequate calibration data in this range of AGB values. We test this hypothesis by developing a calibrated regression model to predict variations in high AGB values (mean >300 Mg/ha) in French Guiana by a methodological approach for spatial extrapolation with data from the optical geoscience laser altimeter system (GLAS), forest inventories, radar, optics, and environmental variables for spatial inter-and extrapolation. Given their higher point count, GLAS data allow a wider coverage of AGB values. We find that the metrics from GLAS footprints are correlated with field AGB estimations (R 2 =0.54, RMSE=48.3 Mg/ha) with no bias for high values. First, predictive models, including remote-sensing, environmental variables and spatial correlation functions, allow us to obtain "wall-to-wall" AGB maps over French Guiana with an RMSE for the in situ AGB estimates of ~51 Mg/ha and R²=0.48 at a 1-km grid size. We conclude that a calibrated regression model based on GLAS with dependent environmental data can produce good AGB predictions even for high AGB values if the calibration data fit the AGB range. We also demonstrate that small temporal and spatial mismatches between field data and GLAS footprints are not a problem for regional and global calibrated regression models because field data aim to predict large and deep tendencies in AGB variations from environmental gradients and do not aim to represent high but stochastic and temporally limited variations from forest dynamics. Thus, we advocate including a greater variety of data, even if less precise and shifted, to better represent high AGB values in global models and to improve the fitting of these models for high values.
ISSN: 0303-2434

Droits : http://creativecommons.org/licenses/by/
hal-01381116
https://hal.archives-ouvertes.fr/hal-01381116
https://hal.archives-ouvertes.fr/hal-01381116/document
https://hal.archives-ouvertes.fr/hal-01381116/file/Fayad2016a.pdf
DOI : 10.1016/j.jag.2016.07.015

Éditeur(s) : HAL CCSD
Résumé : International audience
Le nombre de satellites et de capteurs pour la télédétection dédiés à l'observation de la Terre ne cesse d'augmenter, permettant ainsi d'avoir une masse de données importante en particulier en matière d'images. Parallèlement, un effort permanent vise, d'une part, à améliorer l'accès à ces données et, d'autre part, à développer d'avantages d'outils pour les manipuler. De tels efforts sont particulièrement utiles dans des contextes socio-environnementaux très dynamiques spatialement et temporellement, pour lesquels il est nécessaire de suivre et de prédire les événements environnementaux et sociétaux. En revanche, en présence d'un tel flux de données, nous avons besoin de méthodes automatiques d'interprétation d'images. Une solution envisageable pour répondre à ce besoin est de bénéficier des atouts de l'intelligence artificielle pour l'obtention de cartes d'occupation du sol issues d'une classification des régions des images. Afin de contribuer à l'automatisation de la classification, nous proposons une méthode d'induction de règles interprétables par des non-experts et mettant en évidence, explicitement, des connaissances structurelles. Cette méthode s'appuie sur la programmation logique inductive (PLI) et en particulier sur le système inductif ”Aleph”. L'application de la méthode de classification Multi-class Rule Set Intersection (MRSI) permet ensuite de classifier tout nouvel objet au regard des ses caractéristiques intrinsèques et de celles des objets environnants. Nous avons appliqué notre méthodologie à l'étude de la dynamique du littoral de la Guyane Française. Suite à ce travail, nous avons induit 136 règles de classification pour 38 classes d'occupation du sol. Ces règles sont intelligibles et simples à interpréter de par l'utilisation de la logique du premier ordre. Les performances du système ont été évaluées par la validation croisée. En moyenne, la précision, la spécificité et la sensibilité sont, respectivement, égales à 84,62%, 99,57% et 77,22%. Ces résultats quantitatifs montrent une bonne performance de la méthodologie pour la mise à jour automatique de cartes d'occupation du sol et/ou l'assistance aux opérateurs utilisant l'analyse d'image orientée-objet.
11èmes Rencontres des Jeunes Chercheurs en Intelligence Artificielle
Lille, France

hal-01376400
https://hal.archives-ouvertes.fr/hal-01376400
https://hal.archives-ouvertes.fr/hal-01376400/document
https://hal.archives-ouvertes.fr/hal-01376400/file/Bayoudh_RJCIA2013.pdf

Éditeur(s) : HAL CCSD Lavoisier
Résumé : National audience
ISSN: 0992-499X

ujm-00352794
https://hal-ujm.archives-ouvertes.fr/ujm-00352794

Éditeur(s) : HAL CCSD
Résumé : International audience
This paper proposes a new knowledge discovery method called FLMin to discover frequent patterns in a social network. The algorithm works without previous knowledge on the network and exploits both the structure and the attributes of nodes to extract regularities called Frequent Links. Unlike traditional works in this area that solely exploit structural regularities of the network, the originality of FLMin is its ability to gather these two kinds of information in the search for patterns. In this paper, we detail the method proposed for extracting frequent links and discuss its complexity and its flexibility. The efficiency of our solution is evaluated by conducting qualitative and quantitative studies for understanding how behaves FLMin according to different parameters.
Networked Digital Technologies
Dubai, United Arab Emirates

hal-00768431
https://hal.archives-ouvertes.fr/hal-00768431
DOI : 10.1007/978-3-642-30567-2_38

Éditeur(s) : HAL CCSD Springer
Résumé : International audience
he search for frequent conceptual links (FCL) is a new network clustering approach that exploits both the network structure and the node properties. While recent works have been focused on the optimisation of the FCL extraction, no study has been conducted on the matching or the intersections between the conceptual links and the classical clustering approach which consists in extracting communities. In this paper, we focus on these two approaches. Our objective is to evaluate the possible relationships existing between FCL and communities to understand how the patterns obtained by each kind of methods may match as well as the useful knowledge resulting from the intersections of these two kinds of knowledge. For this purpose, we propose a set of original measures, based on the notion of homogeneity, assessing the level of shared information between these patterns when they are extracted from the same dataset. The measures are applied on three datasets and demonstrate the importance of considering simultaneously various kinds of knowledge and their intersections.
ISSN: 1869-5450

hal-01312313
https://hal.archives-ouvertes.fr/hal-01312313
DOI : 10.1007/s13278-014-0197-1

Éditeur(s) : HAL CCSD Hermann-Éditions
Résumé : International audience
Cet article présente FLMin, une nouvelle méthode d'extraction de motifs fréquents dans les réseaux sociaux. Contrairement aux méthodes traditionnelles qui s'intéressent uniquement aux régularités structurelles, l'originalité de notre approche réside dans sa capacité à exploiter la structure et les attributs des noeuds pour extraire des régularités, que nous appelons "liens fréquents", dans les liens entre des noeuds partageant des caractéristiques communes.
Extraction et gestion des connaissances
Bordeaux, France

hal-00768408
https://hal.archives-ouvertes.fr/hal-00768408