![Page 1: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/1.jpg)
Estimation des fréquences Estimation des fréquences avalancheuses avalancheuses
(modélisation spatiale avec Winbugs)(modélisation spatiale avec Winbugs) N. ECKERT, R. KIESCemagref, unité Erosion Torrentielle, Neige et Avalanches38 402 Saint Martin d’Hères, France [email protected]
Paris, 21 juin 2007E. PARENTEquipe MORSE,UMR 518 ENGREF/INRA/INAPG, 75732 Paris, France
![Page 2: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/2.jpg)
Plan de l’exposéPlan de l’exposé
Éléments de contexte
Un modèle spatial de base
Améliorations du modèle
Déclenchement sur site expérimentalJanvier 2004
![Page 3: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/3.jpg)
Avalanches et statistique, un Avalanches et statistique, un mariage nécessaire mariage nécessaire
- Apprendre sur le phénomène :interprétation des données, lien météo-déclenchement…
- Pallier l’insuffisance des connaissances physiques : loi de frottement, mécanismes de déclenchement…
- Prévision et prédétermination sont liés à un cadre de travail probabiliste :
Prévision (Météo France) = réponse en temps réel (proba conditionnelle) : par massifPrédétermination (Cemagref, RTM) = gestion
à long terme (vision moyennée) : local
Contexte 1/4
Zone dedépart
Zoned'écoulement
Zone d'arrêt
AMONT
AVAL
![Page 4: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/4.jpg)
Prédétermination et Prédétermination et aléa de référencealéa de référence
En France longtemps +/- empirique (expertise)
Catastrophe de Montroc, 9 février 1999
Définition plus rigoureuse de l’aléa de référence pour zonage et dimensionnement
Guide PPR-A :Période de retour
1( )1 ( )
T xP X x
=− ≤
Contexte 2/4
![Page 5: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/5.jpg)
Pourquoi s’intéresser Pourquoi s’intéresser aux fréquences avalancheuses?aux fréquences avalancheuses?
Pour la période de retour, la fréquence avalancheuse est nécessaire, mais l’informationlocale est parfois insuffisante
Etudier les motifs spatiaux est intéressant en soi : compréhension du phénomène
Période de retour
[ ] ( )1( )
1 ( )T x
E Y P X x=
× − ≤
Nombre yk d’avalanches de l’année k
FréquenceAvalancheuse E[Y]
Observationsx1,x2,…xN
Pdf P(X=x)Ex: distance d’arrêt
Partager l’informationentre couloirs « proches »
Contexte 3/4
![Page 6: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/6.jpg)
Extrait de la carte EPA
Point observation
Couloirs suivis
Seuil d’alerte
- Près de 6000 couloirs dans les Alpes et les Pyrénées- Suivi aussi exhaustif que possible, parfois depuis 1900, mais généralement après 1945- Date des avalanches, informations quantitatives et qualitatives- Qualité sujette à caution
L’ Enquête Permanente sur les L’ Enquête Permanente sur les Avalanches (EPA)Avalanches (EPA)
Contexte 4/4
![Page 7: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/7.jpg)
Occurrences Occurrences avalancheuses en Savoieavalancheuses en Savoie
Savoie : Savoie : - 124 communes avec des avalanches enregistrées- 124 communes avec des avalanches enregistrées - 1347 couloirs avalancheux (1 a 49 par couloir)- 1347 couloirs avalancheux (1 a 49 par couloir)
Période: Période: 1946-2005 divisée en 12 «tranches» de 5 ans1946-2005 divisée en 12 «tranches» de 5 ans
Modèle de base 1/10Modèle de base 1/10
18 755 avalanches18 755 avalanches- 0 à 352 par commune 0 à 352 par commune et périodeet période- Apparente stationnaritéApparente stationnarité
![Page 8: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/8.jpg)
Modéliser les fréquences Modéliser les fréquences avalancheuses à l’échelle communaleavalancheuses à l’échelle communaleModèle poissonnien local homogène
« Risque Relatif» multiplicatif
i i ie RRλ = × avec
Normalisation avec le nombre de couloirs
~ ( )it iy P λ for [1, ][1, ]
i N communest T periodes temporelles∈∈
répétitions indépendantes sur le temps mais structure spatiale
i i ie RRλ = ×
Modèle et cdf empirique pour un couloir
1 1
1
N Ti
i it Ni t
ii
ce yT c= =
=
⎛ ⎞= ×⎜ ⎟⎝ ⎠ ×∑∑
∑
Modèle de base 2/10Modèle de base 2/10
![Page 9: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/9.jpg)
Deux couches hiérarchiquesDeux couches hiérarchiques
Bruit blanc localBruit blanc local
CAR GaussienCAR Gaussiendit « intrinsèque »dit « intrinsèque »
1ln( ) ln( ) ln( ) ln( )
p
i i i i j ij ij
e RR e Xλ α ε=
= + = + × +∑
Régression sur les covariables
Décomposition des résidus : i i iU Vε = + Adjacency Map
2.5km
N
ωij=0
ωij=1
XXijij: Covariables (Tendence spatiale): Covariables (Tendence spatiale)Négligées dans un premier tempsNégligées dans un premier temps
( )/ ~ 0,i V VV Nσ σ
2
1
1/ ~ ,N
ui i ik k
ki i
U U N U σωω ω−
=+ +
⎛ ⎞× ×⎜ ⎟
⎝ ⎠∑
Voisinage de type « 0-1»Voisinage de type « 0-1»
Modèle de base 3/10Modèle de base 3/10
![Page 10: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/10.jpg)
Représentation graphiqueReprésentation graphique
paramètres
Variableslatentes
Modèle de base 4/10Modèle de base 4/10
![Page 11: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/11.jpg)
Inférence bayésienneInférence bayésienne
, ,U V jσ σ α
, ,i i iU V λParamètres Variables latentes
Théorème de Bayes
( ) ( ) ( )( ) ( )
//
/l data p
p datal data p d
θ θθ
θ θ θ×
=× ×∫
Vraisemblance x prior
NormalisationPosterior joint
Vraisemblance Distributions des variables latentes
[ ] [ ],1
, , , , , / , , , , , / , / , , , , /T
i i i u v j it i ij u v j i i u v i i j ij i i it it
u v y c x u v c x u v yλ σ σ α σ σ α σ σ λ α λ=
⎡ ⎤ ⎡ ⎤⎡ ⎤∝ × × ×⎣ ⎦⎣ ⎦ ⎣ ⎦ ∏
Modèle de base 5/10Modèle de base 5/10
![Page 12: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/12.jpg)
Risques relatifs d’avalancheRisques relatifs d’avalanche
Excèsspatialement structuré
Excèslocal
(16) < 0.2
(24) 0.2 - 0.5
(37) 0.5 - 1.0
(32) 1.0 - 2.0
(13) 2.0 - 5.0
(2) >= 5.0
(samples)means for RR
50.0km
N
Moyenne a posteriori de RR
ii
i
RReλ
= Si homogénéité spatiale Si homogénéité spatiale RRRRii=1 partout=1 partout
RR[14] chains 1:2 sample: 40000
2.2 2.4 2.6 2.8
0.0 2.0 4.0 6.0 8.0
pdf a posteriori de RR23
Modèle de base 6/10Modèle de base 6/10
![Page 13: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/13.jpg)
Motifs spatiauxMotifs spatiaux
2
( ) 0.60( )r
v
Var UsVar U σ
= =+
Variabilité spatialeVariabilité spatialeversus variabilité totaleversus variabilité totale
Structure spatiale de l’activitéavalancheuse
frac.spatial chains 1:2 sample: 40000
0.2 0.4 0.6
0.0 2.0 4.0 6.0 8.0
Pdf du rapport spatialPdf du rapport spatial
(26) < -0.5
(24) -0.5 - -0.2
(18) -0.2 - 0.0
(6) 0.0 - 0.2
(18) 0.2 - 0.5
(32) >= 0.5
(samples)means for U
50.0km
N
Moyenne a posteriori de U
Modèle de base 7/10Modèle de base 7/10
![Page 14: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/14.jpg)
Intérêt du Intérêt du terme spatialterme spatial
M0
Local+spatial
M1
localM2
spatial
DIC 17 039 17 045 19,830
Modèle de base 8/10Modèle de base 8/10
![Page 15: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/15.jpg)
Loi prédictiveLoi prédictive
Prédictive Prédictive des fréquencesdes fréquencesavalancheuses avalancheuses
(18) < 0.005
(22) 0.005 - 0.01
(27) 0.01 - 0.015
(10) 0.015 - 0.02
(10) 0.02 - 0.025
(5) 0.025 - 0.03
(32) >= 0.03
(samples)means for fprim
50.0km
N
Moyenne de la prédictive de f
posteriorvraisemblance
yprim[36] chains 1:2 sample: 40000
-1 10 20
0.0 0.05 0.1 0.15
Prédictive de y36
( )/ , , / , , , , , / , ,pred predi it i ij i i i i i u v j it i ij u v jy y c x l y u v y c x d d dλ λ σ σ α σ σ α⎡ ⎤ ⎡ ⎤= × × × ×⎣ ⎦ ⎣ ⎦∫
predpred i
iobs
i
yftc T
=⎛ ⎞×⎜ ⎟⎝ ⎠
Modèle de base 9/10Modèle de base 9/10
![Page 16: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/16.jpg)
Bilan et limitesBilan et limites
Adéquation raisonnable entre donnéeset modèle :
60% de variabilité expliquée par la spatialisation :Modélisation spatiale « pas idiote »
Mais nombreuses limites :Effort d’observation, pouvoir prédictif, hypothèses de modélisation…
Modèle de base 10/10Modèle de base 10/10
![Page 17: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/17.jpg)
Améliorations du modèleAméliorations du modèle
Qualité des données : pré-filtrage
Hypothèses de modélisation : Test d’autres structures
Pouvoir prédictif : Introduction de covariables et recalcul des nombres attendus
Stationnarité : introduction d’un effet temporel
Application à Savoie-Haute Savoie
Améliorations 1/14Améliorations 1/14
![Page 18: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/18.jpg)
Filtrage des données manquantesFiltrage des données manquantes
Passage à des décomptes annuels
74273-Sixt-Fer-à-Cheval
0
5
10
15
20
25
30
35
1946
1948
1950
1952
1954
1956
1958
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
Années
nom
bre
d'év
énem
ents
74273-Sixt-Fer-à-Cheval
Améliorations 2/14Améliorations 2/14
![Page 19: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/19.jpg)
Introduction des covariablesIntroduction des covariablesVariables utilisées:- altitude minimale- altitude maximale- altitude moyenne- superficie- précipitations sur 3 jours
Intérêt: recalcul desnombres attendus
Variables significatives:- altitude moyenne- précipitations sur 3 jours
'
1
ln( ) ln( )M
i i j ijj
E E Xα=
= + ×∑
Améliorations 3/14Améliorations 3/14
![Page 20: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/20.jpg)
Obtention du cumul de précipitation Obtention du cumul de précipitation sur 3 jours à l’échelle communalesur 3 jours à l’échelle communale
- Q10 de précipitation hivernale- Altitude constante, gradientNord/Sud- Krigeage des résidus- Prédiction au niveau des centroïdes des communes
Variogramme empiriqueAjustement avec 2 variogrammes
exponentiels et un variogramme sphérique
Améliorations 4/14Améliorations 4/14
![Page 21: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/21.jpg)
Recalcul des nombres attendusRecalcul des nombres attendus
(52) < 1.0
(55) 1.0 - 2.0
(50) 2.0 - 4.0
(35) 4.0 - 8.0
(10) 8.0 - 16.0
(2) 16.0 - 32.0
(0) >= 32.0
values for E
50.0km
N
(92) < 1.0
(44) 1.0 - 2.0
(33) 2.0 - 4.0
(24) 4.0 - 8.0
(8) 8.0 - 16.0
(3) 16.0 - 32.0
(0) >= 32.0
(samples)means for mref
50.0km
N
Ei E’i
Améliorations 5/14Améliorations 5/14
![Page 22: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/22.jpg)
Recalcul des motifs spatiauxRecalcul des motifs spatiauxU modèle de base(avec données manquantes)
U avec covariables(avec données manquantes)
2
( ) 0.71( )r
v
Var UsVar U σ
= =+ 2
( ) 0.33( )r
v
Var UsVar U σ
= =+
Améliorations 6/14Améliorations 6/14
![Page 23: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/23.jpg)
Introduction du temps : Extraction Introduction du temps : Extraction de la composante temporellede la composante temporelle
[1]
[2]
[3]
[4]
[5][6] [7]
[8][9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22][23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34][35]
[36][37] [38]
[39]
[40]
[41]
[42]
[43]
[44]
[45][46][47]
[48]
[49]
[50]
[51]
[52]
[53]
[54]
[55]
[56]
[57][58]
[59][60]
box plot: G
-3.0
-2.0
-1.0
0.0
1.0
G modèle de base(avec données manquantes et covariables)
'ln( ) ln( )it i i i tE v u Gλ = + + +
~ (0, )t GG N σ
Améliorations 7/14Améliorations 7/14
![Page 24: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/24.jpg)
Recalcul du terme spatialRecalcul du terme spatialU avec modèle spatial(avec cov. et données manquantes)
U avec modèle spatio-temp(avec cov. et données manquantes)
Améliorations 8/14Améliorations 8/14
2
( ) 0.33( )r
v
Var UsVar U σ
= =+ 2 2
( ) 0.53( )r
v G
Var UsVar U σ σ
= =+ +
![Page 25: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/25.jpg)
Recalcul du bruitRecalcul du bruitV avec modèle spatial(avec cov. et données manquantes)
V avec modèle spatio-temp(avec cov. et données manquantes)
Améliorations 9/14Améliorations 9/14
![Page 26: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/26.jpg)
Recherche d’améliorations Recherche d’améliorations spatialesspatiales
CAR « propre » avec paramètre représentant le degré de dépendance spatiale
Modèles de krigeage au niveaudes centroïdes : exponentiel ou sphérique
gamma sample: 10000
0.0 0.05 0.1
0.0 20.0 40.0 60.0
phi sample: 25000
-0.002 0.0 0.002 0.004
0.0 100.0 200.0 300.0 400.0
Paramètre de portée du variogramme exponentiel
Paramètre de dépendance spatiale du « CAR propre »
Améliorations 10/14Améliorations 10/14
![Page 27: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/27.jpg)
Motifs spatiauxMotifs spatiaux
U « CAR propre » W=U+V : krigeage exponentiel + bruit
Améliorations 11/14Améliorations 11/14
2 2
( ) 0.62( )r
v G
Var UsVar U σ σ
= =+ +
2 2
( ) 0.56( )r
v G
Var UsVar U σ σ
= =+ +
![Page 28: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/28.jpg)
Recherche d’améliorations Recherche d’améliorations temporelles et spatio-temporellestemporelles et spatio-temporelles
rho sample: 30000
-1.0 -0.5 0.0 0.5
0.0 1.0 2.0 3.0 4.0
1~ ( , )t t GG N Gρ σ−
'1 2ln( ) ln( )it i i i t i tE v u G H Hλ = + + + + ×
~ (0, )t GG N σ 2 ~ (0,1)tH N1 1~ (0, )i HH N σ
Modèle avec terme croisé
Modèle avec autorégression
Améliorations 12/14Améliorations 12/14
![Page 29: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/29.jpg)
Résultats terme croiséRésultats terme croisé
[1][2]
[3]
[4] [5] [6][7]
[8] [9]
[10]
[11]
[12][13][14][15][16]
[17]
[18]
[19][20][21]
[22]
[23]
[24]
[25][26][27]
[28]
[29]
[30]
[31][32]
[33][34][35][36][37]
[38][39]
[40][41]
[42]
[43][44][45][46]
[47][48][49]
[50][51]
[52]
[53][54]
[55]
[56][57][58][59]
[60]
box plot: H2
-4.0
-2.0
0.0
2.0
4.0
Spatial « second ordre »Temporel « second ordre »
Améliorations 13/14Améliorations 13/14
![Page 30: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/30.jpg)
Comparaison des modèlesComparaison des modèles
DICModele 31568.600
Modele + temps 27121.800Modele+temps+ CAR proper 27108.3Modele+temps+ exponentiel 27454.200
Modele+temps+ spherique 27561.200Modele+autorégression 27120.5
Modele+terme croisé 24510
- Apports majeurs : temps, terme croisé- Apports mineurs : CAR propre- Inefficace : autorégression sur t, modèles « géostatistiques »
Améliorations 14/14Améliorations 14/14
![Page 31: Estimation des fréquences avalancheusesgenome.jouy.inra.fr/applibugs/applibugs.07_06_21.2.compt.pdf · - Séparation temps-espace : « analyse de variance » en non Gaussien grâce](https://reader034.vdocuments.us/reader034/viewer/2022042402/5f1146614bd71114023b43c9/html5/thumbnails/31.jpg)
Conclusions et perspectivesConclusions et perspectives
PERSPECTIVES - Interprétation des variations spatio-temporelles- Passage de la commune au couloir : pb de taille de données et des zéros
BILAN- Séparation temps-espace :« analyse de variance » en non Gaussien grâce a Winbugs- Problème opérationnel :Utilité mais travail avec des données très bruitées