École É-EGC

École d’hiver É-EGC

News! Le programme prévisionnel est disponible ici.

La dixième École d’Hiver é-EGC, sur le thème « Analyse des données et apprentissage face à l’urgence climatique et la crise écologique, humanitaire et économique », est un événement organisé par l’Association Extraction et Gestion de Connaissances (EGC).

Cet événement s’organise autour de deux activités principales :
> Deux jours de formation : les 22 et 23 janvier 2024
> Participation à la conférence EGC 2024 : du 24 au 26 janvier 2024 

L’inscription se réalise en deux étapes

1. Les participants doivent manifester leur intérêt, avant le 7/12/2023, pour participer à l’École en s’inscrivant avec ce formulaire : https://forms.gle/YcN8tSj7nP7A7kR58

Extension : la date limite de pré-inscription est repoussée au 07/12/2023

Pour que la pré-inscription soit prise en compte, elle doit être accompagnée d’un CV récent du participant.

2. Après la confirmation de la pré-inscription par le comité d’organisation, et avant le 20/12/2023, les participants doivent s’inscrire via la page d’inscription de la conférence EGC 2024 (attention de bien choisir le tarif comprenant l’École).

Le nombre de participants est limité à 30 personnes. Le tarif de l’inscription sera affiché sur le site de la conférence EGC (https://iutdijon.u-bourgogne.fr/egc2024/ecole-e-egc/) et il comprend :
• la participation à l’École d’Hiver (22 et 23 janvier 2024) ;
• la participation à la conférence (24 au 26 janvier 2024) ;
• les déjeuners et le repas de gala.

Thème de l’école

Objectifs de l’école

Les deux jours de formation ont pour but principal d’offrir aux participants des tutoriaux d’initiation dans le domaine de recherche couvrant les thèmes de l’école mais également des tutoriaux plus spécifiques présentant les récentes avancées proposant des solutions et des techniques nouvelles pour les différentes problématiques ayant émergées dans ce domaine. Certains exposés seront associés à des séances plus pratiques afin de permettre aux participants de manipuler quelques outils.

La participation à la conférence permettra aux participants de prendre part à un des événements majeurs de la communauté francophone de l’extraction et la gestion de connaissances. Elle leur permettra d’assister à des présentations de nouvelles avancées et approches développées dans la communauté, ceci pouvant ainsi inspirer leur parcours scientifique futur.

Enfin, cette école souhaite offrir aux jeunes chercheurs (doctorants, post-doctorants et ingénieurs) et aux chercheurs confirmés du domaine la possibilité de se rencontrer et d’échanger des idées, ce qui devrait également permettre aux jeunes chercheurs d’enrichir leur réseau.

Public concerné

L’École d’Hiver é-EGC 2024 s’adresse particulièrement aux doctorants et étudiants souhaitant approfondir leurs connaissances dans le domaine de l’exploration de données et de l’apprentissage, avec un focus sur l’application de ces compétences pour soutenir les Objectifs de développement durable.

Programme de l’école

Abstract: Understanding extreme events and their probability is key for the study of climate change impacts, risk assessment, adaptation, and the protection of living beings. Extreme heatwaves are, and likely will be in the future, among the deadliest weather events. Forecasting their occurrence probability a few days, weeks, or months in advance is a primary challenge for risk assessment and attribution, but also for fundamental studies about processes, dataset or model validation, and climate change studies. As another key issue, in order to mitigate climate change, the energy transition will rely much on renewable energy. We also study extremes of residual load (energy demand minus renewable energy production), which are key for the electricity grid stability and resilience.
Because of a lack of data related to a too short historical record, the rarity of the events, and of the difficulty to obtain rare events in climate models, uncertainty quantification is extremely difficult for extreme events. We develop a methodology to tackle this problem by combining probabilistic machine learning using deep neural network and rare event simulations.
We will first demonstrate that deep neural networks can predict the probability of occurrence of long lasting 14-day heatwaves over France, up to 15 days ahead of time for fast dynamical drivers (500 hPa geopotential height fields), and at much longer lead times for slow physical drivers (soil moisture). This forecast is made seamlessly in time and space, for fast hemispheric and slow local drivers.
A key scientific message is that training deep neural networks for predicting extreme heatwaves occurs in a regime of drastic lack of data. We suggest that this is likely the case for most other applications of machine learning to large scale atmosphere and climate phenomena. We discuss perspectives for dealing with this lack of data issue, for instance using rare event simulations.
Rare event simulations are a very efficient tool to oversample drastically the statistics of rare events. Using a climate model, with this tool we obtain several orders of magnitude more extreme heat waves compared to a control run. We will discuss the coupling of machine learning approaches, for instance the analogue method, with rare event simulations, and discuss their efficiency and their future interest for climate simulations.
In this tutorial, an introduction will present the applied problems and their mathematical formulation, and some key results. We will moreover present the theory for an example of a rare event algorithm, and the basic mathematical aspects of optimal predictions patterns which are at the base of the interpretation of machine learning approaches for climate extremes.

Résumé: Parmi les Objectifs de Développement Durables figure la lutte contre les changements climatiques (ODD 13). Cet objectif est central, car il recouvre beaucoup d’autres objectifs, principalement le recours aux énergies durables (ODD 7) et les villes et communautés durables (ODD 11). Dans ces deux interactions, on peut identifier les deux leviers principaux dont nous disposons pour l’action climatique : un levier plutôt préventif (si tant est que l’on peut encore parler de prévention aujourd’hui), en développant l’utilisation des énergies renouvelables, et un levier plutôt curatif, visant à atténuer les effets des changements climatiques, en aménageant l’environnement urbain de manière résiliente aux crues, par exemple (ODD 11).
Cette session sera axée sur deux contributions qui peuvent être attachées à ces leviers :
– En utilisant des données de Twitter pour essayer d’améliorer la prévention et la prédiction des crues [1]
– En utilisant des modèles de prédictions hybrides basés sur le deep learning pour améliorer l’intégration de l’énergie solaire dans le mix énergétique [2]
Nous mettrons également ces contributions en perspectives, en les liants à d’autres contributions récentes sur ces sujets, ainsi qu’aux technologies pertinentes pour le développement de telles applications.
[1] Bruneau, Pierrick, et al. « Measuring the impact of natural hazards with citizen science: The case of flooded area estimation using Twitter. » Remote Sensing 13.6 (2021): 1153.
[2] Koster, Daniel, et al. « Single-Site Forecasts for 130 Photovoltaic Systems at Distribution System Operator Level, Using a Hybrid-Physical Approach, to Improve Grid-Integration and Enable Future Smart-Grid Operation. » Solar RRL 7.8 (2023): 2200652.

Résumé: 

Résumé tutoriel: Le changement climatique est un défi mondial aux conséquences multiples et profondes, notamment l’intensification et l’augmentation de la fréquence de nombreux phénomènes météorologiques extrêmes. En réponse à ce problème urgent, nous présentons les outils statistiques pour évaluer et contextualiser les événements météorologiques extrêmes par rapport au changement climatique. Cette science, appelée attribution, se préoccupe d’offrir un aperçu en temps quasi réel de la dynamique des événements extrêmes, servant de ressource pour les chercheurs et les décideurs politiques, ainsi que d’outil de diffusion de la science pour le grand public. Les études d’attribution portent actuellement sur plusieurs événements extrêmes tels que les vagues de chaleur, les vagues de froid, les fortes précipitations, les sécheresses, les cyclones et les tempêtes de vent (liste non exhaustive). Cette présentation élucide les méthodologies couramment utilisées pour l’attribution, les sources de données et les techniques d’analyse, fournissant ainsi une vue d’ensemble de ses fondements scientifiques. Pour illustrer l’attribution, nous travaillerons en groupe sur des rapports récents sous les angles scientifiques et de la communication. Ce travail de groupe nous aidera à comprendre comment les études d’attribution contribuent à une meilleure compréhension des interactions complexes entre le changement climatique et les phénomènes météorologiques extrêmes, dans l’espoir de favoriser une prise de décision éclairée et renforcer la résilience climatique à long terme.

Résumé séance pratique: Nous travaillerons en groupe sur des rapports récents sur l’attribution des evenements extremes au changement climatique sous les angles scientifiques et de la communication. Ce travail de groupe nous aidera à comprendre comment les études d’attribution contribuent à une meilleure compréhension des interactions complexes entre le changement climatique et les phénomènes météorologiques extrêmes. Dans cet exercice vous explorerez les études d’attribution du Medicane Daniel menées par World Weather Attribution, Climameter et Medcyclones. Cet exercice vise à approfondir votre compréhension des méthodologies et résultats des études d’attribution tout en développant vos compétences de présentation écrite et orale.
Objectif:
1. Lire et Analyser les Rapports d’Attribution : Examinez rapidement les rapports d’attribution de World Weather Attribution, Climameter et Medcyclones sur le Medicane Daniel. Identifiez les principales conclusions et méthodologies.
2. Synthétiser l’Information : Rédigez un court rapport (environ 300 mots) synthétisant l’information des trois rapports. Mettez en évidence les points clés.
3. Préparer des Présentations Écrites et Orales : Créez une présentation orale concise (3 minutes) résumant les principales conclusions des études d’attribution. Mettez l’accent sur l’essentiel.

Procédure:
1. Distribution des Rapports :
– Recevez rapidement trois rapports d’attribution, un de chaque organisation.
2. Lecture Individuelle :
– Parcourez rapidement chaque rapport, notant les principales conclusions et méthodologies.
3. Synthèse :
– Rédigez un court rapport (environ 300 mots) synthétisant l’information des trois rapports. Identifiez les similitudes et différences.
4. Présentation Orale :
– Préparez une présentation orale concise (3 minutes) mettant en avant les principales conclusions des études d’attribution.
5 Discussion:
-Engagez-vous dans des discussions rapides pour partager des perspectives.
Questions Directrices pour les Présentations Écrites et Orales :
1. Quelles méthodologies chaque organisation a-t-elle utilisées pour attribuer le Medicane Daniel au changement climatique ?
2. Quelles étaient les principales conclusions de chaque étude d’attribution ? Y avait-il des variations dans les résultats ?
3. Comment chaque organisation a-t-elle abordé les incertitudes dans ses évaluations d’attribution ?

Conclusion : Cet exercice rapide offre une opportunité pour approfondir votre compréhension des études d’attribution et améliorer vos compétences de communication en un laps de temps limité. En synthétisant l’information et en présentant oralement, vous gagnez des connaissances sur l’attribution des événements extrêmes et apprenez à transmettre efficacement des résultats scientifiques. Profitez de cette occasion d’apprentissage collaboratif avec vos pairs.

Résumé:

Résumé :

Résumé: Knowledge Graphs have received growing attention in recent years, particularly in scenarios that involve integrating diverse sources of data at large scale. Within such scenarios, Knowledge Graphs have popularised the idea of modelling data following a graph-based abstraction, where nodes represent entities and edges represent the relations between entities. In terms of research, Knowledge Graphs have become a novel point of convergence for different communities, wherein a variety of techniques for creating, enriching, validating and analysing Knowledge Graphs have been proposed, alongside techniques for querying, reasoning, and generating machine learning models over them. In terms of practice, Knowledge Graphs are now used in diverse applications involving question answering, recommendations, classification and prediction, semantic search, information extraction, and more besides. In this tutorial, we will provide an introduction to Knowledge Graphs, covering the basics of how they modelled, the techniques that they enable, the research questions that they raise, and the applications in which they have been used. We will finish the tutorial with a hands-on session querying Wikidata for information relating to climate change.