Literatura académica sobre el tema "Estimation de l’Incertitude"

Des rapports précis et cohérents sur l'évolution de la superficie forestière et des changements d’occupation du sol sont importants dans le contexte de l’accord de Paris où les pays ont l’obligation de soumettre régulièrement leurs rapports sur le bilan émission absorption des gaz à effet de serre. Cette notification des changements peut avoir un impact direct sur les paiements par le biais de comparaisons avec les niveaux de référence (émissions) nationaux dans le cadre de la réduction des émissions dues à la déforestation et à la dégradation des forêts, notamment dans le cadre du processus REDD+. Cependant avant cela, les pays sont invités à renforcer leur système national de surveillance des forêts mais aussi de production des produits cartographiques qui respectent des règles robustes d’évaluation de l’incertitude des estimations de l’évolution de la superficie du couvert forestier prescrites par la CCNUCC. Dans cette étude, nous présentons les résultats de la précision des nombreuses cartes forestières dont le Congo dispose en utilisant l’approche assistée par modèle développée par Sannier et al, 2014, adaptée au contexte de la République du Congo. Les résultats de l’étude montrent une sous-estimation des près de 50% des pertes forestières dans la période entre 2000 et 2014 que ce soit par la méthode des estimations directes ou des estimations par régression. La comparaison des deux méthodes montre que les estimations des pertes de la couverture forestière par la méthode échantillons point sous-estime l’estimation des pertes sur la période 2000-2014 ainsi que sur la période 2014-2016. Nous concluons qu’il faut renforcer les équipes nationales en charge de l’élaboration des cartes forestières mais aussi que le pays doit s’approprier cette méthode de Sannier et al. 2014 pour l’évaluation de la précision.

Pour contribuer à l’analyse de la valeur artistique dans le langage de l’interaction, de la convention et de l’information, l’auteur explore les dimensions temporelles de l’évaluation artistique et le mouvement qui va de l’incertitude initiale sur la valeur des oeuvres jusqu’à la stabilisation intertemporelle des estimations. La relation entre la taille d’un marché artistique, la vitesse d’évaluation des créations et l’obsolescence des innovations rythmant le cours de la production est au centre de l’analyse, qui prend appui sur l’exemple de la création musicale savante, et de son opposition avec la création populaire, et montre notamment comment l’institution d’un patrimoine d’oeuvres classiques agit sur l’appréciation des modernes.

Afin d’atteindre son objectif d’absence de perte nette de biodiversité, la séquence « Éviter, Réduire, Compenser » (ERC) doit permettre d’apporter des gains au moins équivalents aux pertes liées aux projets d’aménagement. Cela peut être réalisé grâce à des actions de restauration écologique qui visent à accélérer le rétablissement des écosystèmes. Le dimensionnement de la compensation passe par une estimation des gains en amont de la réalisation des projets, étape cruciale mais qui reste très incertaine, en raison notamment du manque de retour d’expérience du succès des actions de restauration écologique. Dans cet article, nous proposons des pistes d’amélioration de cette estimation. Pour cela, nous comparons des estimations de gains apportés par des mesures de restauration sur l’île de Kembs (Alsace), en utilisant une méthode d’évaluation de l’équivalence (ECOVAL) et des données de suivis récoltées juste après la mise en place de ces mesures. Plusieurs analyses sont réalisées et concernent (i) la justesse des estimations et le lien avec le degré d’incertitude attribué à l’estimation des gains (faible, moyen ou fort) et (ii) les sources des écarts observés entre les valeurs estimées et issues des suivis. Globalement, la moitié des estimations sont justes à court terme, mais une majorité est soumise à un délai trop court pour observer une évolution des indicateurs. Les bonnes estimations se retrouvent pour tous les degrés d’incertitude et quasi tous les taxons et milieux évalués. Les erreurs d’estimations proviennent principalement d’aléas pendant les travaux et d’une évolution naturelle des milieux non prévue. De plus, plus l’incertitude est importante et plus les écarts entre valeur estimée et issue des suivis est grande. Nos résultats soulignent l’importance de la mise en place de suivis réguliers sur plusieurs années (et notamment à long terme) pour vérifier que la biodiversité évolue bien comme estimé et pour rectifier les mesures compensatoires au besoin avec de la gestion adaptative. Le principal levier d’amélioration des estimations réside dans la capitalisation de retours d’expérience en portant une attention particulière à l’homogénéisation entre les données de suivis et celles de l’état initial.

La mesure des stocks et flux de carbone forestier est absolument essentielle pour comprendre le rôle que jouent les forêts dans le cycle global du carbone et pour mettre en place des politiques efficaces d’atténuation du réchauffement climatique mondial induit par l’augmentation des gaz à effet de serre d’origine anthropique. Cette revue bibliographique vise à présenter l’état actuel des connaissances sur les incertitudes associées à la quantification du carbone forestier, en particulier dans les forêts tropicales. Plusieurs études montrent que les incertitudes sur les stocks et flux de carbone séquestrés dans les forêts tropicales sont extrêmement larges, estimés respectivement 188 et 272 milliards de tonnes de carbone et entre 0.17 et 1.16 milliards de tonnes de gaz carbonique. Ces énormes incertitudes sont sans doute liées aux méthodes utilisées pour quantifier la biomasse des arbres vivants. La revue bibliographique montre en effet que dans la quasi-totalité des études sur le carbone forestier, la biomasse des arbres n’est réellement jamais mesurée sur le terrain, mais plutôt estimés à l’aide des modèles mathématiques ou équations allométriques qui transforment les données d’inventaire forestier en stocks et flux de carbone. L’estimation de carbone comporte en conséquence une incertitude dont l’amplitude pourrait dépendre de : (i) la méthode de collecte des données la biomasse aérienne (ii) la mesure des attributs de taille (diamètre et hauteur) des arbres et traits d’espèces (densité du spécifique du bois, taille de la canopée) lors des inventaires forestiers, (iii) la forme mathématique et qualité d’ajustement des modèles allométriques (erreur propre du modèle) employés, et (iv) possiblement d’une inadéquation entre structure diamétrique des arbres dans les données de calibration des modèles et dans les inventaires forestiers. Toutefois, l’absence d’études ayant mesuré la biomasse totale d’une forêt à une échelle spatiale fixée (exemple 1 ha) ne permet pas actuellement d’évaluer la contribution de chaque source d’erreurs sur l’incertitude totale de l’estimation finale de carbone.

Entre le 23 janvier et le 12 février 1898, l’expédition d’Adrien de Gerlache en Antarctique a réalisé un important levé cartographique du Détroit de Gerlache entre le Cap Neyt à l’extrémité nord-est de l’Île de Liège et le Cap Renard en Terre de Danco. Son commandant en second, Georges Lecointe, officier de navigation et hydrographe, a effectué des observations astronomiques destinées à fixer les coordonnées de plusieurs stations qui ont servi de référence pour déterminer le tracé des lignes de côte. Dans cet article, nous tentons d’évaluer la précision et l’exactitude de ces mesures à la lueur de la documentation cartographique disponible actuellement. Nous exposons les limites de l’approche et les sources d’incertitudes relevant des méthodes utilisées à la fin du XIXe siècle et de nos interprétations pour restituer la position des stations sur les documents actuels. Les hypothèses explicatives majeures du biais constaté en longitude et latitude sont probablement une sous-estimation de la réfraction et des observations du soleil généralement matinales.

The Covid-19 shock has maken the uncertainty more acute. That uncertainty has seriously dysfunctioning the Congolese economy and influenced the implementation of the monetary policy. Using the “Minnesota Prior Bayesian VAR model”, we are estimating the Covid-19 uncertainty shock on the economy and monetary policy response. The effect of Covid-19 uncertainty strikes unprecedented aggregate demand and the economy. In addition, it undermines the action of monetary policy to soften this fall in aggregate demand and curb inflation impacted by pass-through effect. However, the shock of monetary policy via an appropriate control of monetary base seems comfortable to mitigate this crisis. We suggest a consistency of the policy mix and the careful development of unconventional monetary policy framework to hope for a recovery and to ensure confidence.

L’énergie éolienne connaît un développement considérable en Europe. Pourtant, le caractère intermittent de cette énergie renouvelable introduit des difficultés pour la gestion du réseau électrique. De plus, dans le cadre de la dérégulation des marchés de l’électricité, l’énergie éolienne est pénalisée par rapport aux moyens de production contrôlables. La prédiction de la production éolienne à des horizons de 2-3 jours aide l’intégration de cette énergie. Ces prédictions consistent en une seule valeur par horizon, qui correspond à la production la plus probable. Cette information n’est pas suffisante pour définir des stratégies de commerce ou de gestion optimales. C’est pour cela que notre travail se concentre sur l’incertitude des prédictions éoliennes. Les caractéristiques de cette incertitude sont décrites à travers une analyse des performances de certains modèles de l’état de l’art, et en soulignant l’influence de certaines variables sur les moments des distributions d’erreurs de prédiction. Ensuite, nous décrivons une méthode générique pour l’estimation d’intervalles de prédiction. Il s’agit d’une méthode statistique nonparamétrique qui utilise des concepts de logique floue pour intégrer l’expertise acquise concernant les caractéristiques de cette incertitude. En estimant plusieurs intervalles à la fois, on obtient alors des prédictions probabilistes sous forme de densité de probabilité de production éolienne pour chaque horizon. La méthode est évaluée en terme de fiabilité, finesse et résolution. En parallèle, nous explorons la possibilité d’utiliser des prédictions ensemblistes pour fournir des ‘prévisions d’erreur’. Ces prédictions ensemblistes sont obtenues soit en convertissant des prévisions météorologiques ensemblistes (fournies par ECMWF ou NCEP), soit en appliquant une approche de décalage temporel. Nous proposons une définition d’indices de risque, qui reflètent la dispersion des ensembles pour un ou plusieurs horizons consécutifs. Une relation probabiliste entre ces indices de risque et le niveau d’erreur de prédiction est établie. Dans une dernière partie, nous considérons la participation de l’énergie éolienne dans les marchés de l’électricité afin de démontrer la valeur de l’information ‘incertitude’. Nous expliquons comment définir des stratégies de participation à ces bourses de l’électricité avec des prédictions déterministes ou probabilistes. Les bénéfices résultant d’une estimation de l’incertitude des prédictions éoliennes sont clairement démontrés
Wind power experiences a tremendous development of its installed capacities in Europe. Though, the intermittence of wind generation causes difficulties in the management of power systems. Also, in the context of the deregulation of electricity markets, wind energy is penalized by its intermittent nature. It is recognized today that the forecasting of wind power for horizons up to 2/3-day ahead eases the integration of wind generation. Wind power forecasts are traditionally provided in the form of point predictions, which correspond to the most-likely power production for a given horizon. That sole information is not sufficient for developing optimal management or trading strategies. Therefore, we investigate on possible ways for estimating the uncertainty of wind power forecasts. The characteristics of the prediction uncertainty are described by a thorough study of the performance of some of the state-of-the-art approaches, and by underlining the influence of some variables e. G. Level of predicted power on distributions of prediction errors. Then, a generic method for the estimation of prediction intervals is introduced. This statistical method is non-parametric and utilizes fuzzy logic concepts for integrating expertise on the prediction uncertainty characteristics. By estimating several prediction intervals at once, one obtains predictive distributions of wind power output. The proposed method is evaluated in terms of its reliability, sharpness and resolution. In parallel, we explore the potential use of ensemble predictions for skill forecasting. Wind power ensemble forecasts are obtained either by converting meteorological ensembles (from ECMWF and NCEP) to power or by applying a poor man’s temporal approach. A proposal for the definition of prediction risk indices is given, reflecting the disagreement between ensemble members over a set of successive look-ahead times. Such prediction risk indices may comprise a more comprehensive signal on the expected level of uncertainty in an operational environment. A probabilistic relation between classes of risk indices and the level of forecast error is shown. In a final part, the trading application is considered for demonstrating the value of uncertainty estimation when predicting wind generation. It is explained how to integrate that uncertainty information in a decision-making process accounting for the sensitivity of end-users to regulation costs. The benefits of having a probabilistic view of wind power forecasting are clearly shown

Cette thèse explore l'intersection cruciale entre l'apprentissage automatique (IA) et la sécurité, visant à résoudre les défis liés au déploiement de systèmes intelligents dans des scénarios réels. Malgré des progrès significatifs en IA, des préoccupations liées à la confidentialité, à l'équité et à la fiabilité ont émergé, incitant à renforcer la fiabilité des systèmes d'IA. L'objectif central de la thèse est de permettre aux algorithmes d'IA d'identifier les écarts par rapport au comportement normal, contribuant ainsi à la sécurité globale des systèmes intelligents.La thèse commence par établir les concepts fondamentaux de la détection des données hors distribution (OOD) et de la détection des erreurs de classification dans le chapitre 1, fournissant une littérature essentielle et expliquant les principes clés. L'introduction souligne l'importance de traiter les problèmes liés au comportement non intentionnel et nuisible en IA, en particulier lorsque les systèmes d'IA produisent des résultats inattendus en raison de divers facteurs tels que des divergences dans les distributions de données.Dans le chapitre 2, la thèse introduit une nouvelle méthode de détection de données hors distribution basée sur la distance géodésique Fisher-Rao entre les distributions de probabilité. Cette approche unifie la formulation des scores de détection pour les logits du réseau et les espaces latents, contribuant à une robustesse et une fiabilité accrues dans l'identification des échantillons en dehors de la distribution d'entraînement.Le chapitre 3 présente une méthode de détection des données hors distribution non supervisée qui analyse les trajectoires neuronales sans nécessiter de supervision ou d'ajustement d'hyperparamètres. Cette méthode vise à identifier les trajectoires d'échantillons atypiques à travers diverses couches, améliorant l'adaptabilité des modèles d'IA à des scénarios divers.Le chapitre 4 se concentre sur la consolidation et l'amélioration de la détection hors distribution en combinant efficacement plusieurs détecteurs. La thèse propose une méthode universelle pour combiner des détecteurs existants, transformant le problème en un test d'hypothèse multivarié et tirant parti d'outils de méta-analyse. Cette approche améliore la détection des changements de données, en en faisant un outil précieux pour la surveillance en temps réel des performances des modèles dans des environnements dynamiques et évolutifs.Dans le chapitre 5, la thèse aborde la détection des erreurs de classification et l'estimation de l'incertitude par une approche axée sur les données, introduisant une solution pratique en forme fermée. La méthode quantifie l'incertitude par rapport à un observateur, distinguant entre prédictions confiantes et incertaines même face à des données difficiles. Cela contribue à une compréhension plus nuancée de la confiance du modèle et aide à signaler les prédictions nécessitant une intervention humaine.La thèse se termine en discutant des perspectives futures et des orientations pour améliorer la sécurité en IA et en apprentissage automatique, soulignant l'évolution continue des systèmes d'IA vers une plus grande transparence, robustesse et fiabilité. Le travail collectif présenté dans la thèse représente une avancée significative dans le renforcement de la sécurité en IA, contribuant au développement de modèles d'apprentissage automatique plus fiables et dignes de confiance, capables de fonctionner efficacement dans des scénarios réels divers et dynamiques
This thesis explores the intersection of machine learning (ML) and safety, aiming to address challenges associated with the deployment of intelligent systems in real-world scenarios. Despite significant progress in ML, concerns related to privacy, fairness, and trustworthiness have emerged, prompting the need for enhancing the reliability of AI systems. The central focus of the thesis is to enable ML algorithms to detect deviations from normal behavior, thereby contributing to the overall safety of intelligent systems.The thesis begins by establishing the foundational concepts of out-of-distribution (OOD) detection and misclassification detection in Chapter 1, providing essential background literature and explaining key principles. The introduction emphasizes the importance of addressing issues related to unintended and harmful behavior in ML, particularly when AI systems produce unexpected outcomes due to various factors such as mismatches in data distributions.In Chapter 2, the thesis introduces a novel OOD detection method based on the Fisher-Rao geodesic distance between probability distributions. This approach unifies the formulation of detection scores for both network logits and feature spaces, contributing to improved robustness and reliability in identifying samples outside the training distribution.Chapter 3 presents an unsupervised OOD detection method that analyzes neural trajectories without requiring supervision or hyperparameter tuning. This method aims to identify atypical sample trajectories through various layers, enhancing the adaptability of ML models to diverse scenarios.Chapter 4 focuses on consolidating and enhancing OOD detection by combining multiple detectors effectively. It presents a universal method for ensembling existing detectors, transforming the problem into a multi-variate hypothesis test and leveraging meta-analysis tools. This approach improves data shift detection, making it a valuable tool for real-time model performance monitoring in dynamic and evolving environments.In Chapter 5, the thesis addresses misclassification detection and uncertainty estimation through a data-driven approach, introducing a practical closed-form solution. The method quantifies uncertainty relative to an observer, distinguishing between confident and uncertain predictions even in the face of challenging or unfamiliar data. This contributes to a more nuanced understanding of the model's confidence and helps flag predictions requiring human intervention.The thesis concludes by discussing future perspectives and directions for improving safety in ML and AI, emphasizing the ongoing evolution of AI systems towards greater transparency, robustness, and trustworthiness. The collective work presented in the thesis represents a significant step forward in advancing AI safety, contributing to the development of more reliable and trustworthy machine learning models that can operate effectively in diverse and dynamic real-world scenarios

Taking into account the instrumental drift in the uncertainty of measurement does not benefit at this time from a provided bibliography. Although an abundant literature (standards, articles, samples collections, etc.) dealing with the estimation of uncertainty by the GUM method exists, the question of the drift component is often avoided or inaccurate, usually limited to a point-to-point deviation divided by 2√3, which is based on an erroneous hypothesis and clearly confines to being immobile. The choice of a rectangular probability law supposes that the greatest variation observed is necessarily the greatest observable variation; in other words, during the observed history (sometimes reduced to two calibration certificates), we noted the maximum drift of which the instrument could be the object. If the method is effectively statistically questionable, it becomes completely useless as soon as a modification takes place; especially when the periodicity optimization (variable calibration frequency) is used or when the points are changed from one calibration to another, in number or level. We propose here an alternative method which intends to correct these defects and is at once compatible with the principles of the GUM and easily automatable.