BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.2//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-385@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20260420T140000 DTEND;TZID=Europe/Paris:20260420T170000 DTSTAMP:20260417T094951Z URL:https://www.lisn.upsaclay.fr/evenements/apprentissage-profond-pour-la- modelisation-spatio-temporelle-de-lexposition-aux-pesticides-extrapolation -interpretabilite-et-contraintesdeep-learning-for-spatio-temporal-pesticid e-exposure/ SUMMARY:Apprentissage profond pour la modélisation spatio-temporelle de l ’exposition aux pesticides : extrapolation\, interprétabilité et contr aintes DESCRIPTION:Jury\nRomain Hérault\, Professor\, GREYC Laboratory &\; Uni versity of Caen Normandy\, Reviewer \;\nPaul Honeine\, Professor\, LIT IS Lab &\; University of Rouen Normandy\, Reviewer \;\nCarole Bedos \, Research Director\, ECOSYS\, INRAE\, Examiner\nYann Chevaleyre\, Profes sor\, LAMSADE\, Paris-Dauphine University PSL\, Examiner\nCeline Hudelot\, Professor\, MICS\, CentraleSupélec\, Examiner\nOlivier Allais\, Research Director\, Inrae\, Invited Jury\nJulia Mink\, \;Tenure Track Assistan t Professor\, \;University of Bonn\, Invited Jury\nRésumé\nCette th èse présente un pipeline d’apprentissage profond dédié à l’estima tion de l’exposition aux pesticides dans l’air en France. Nous commen çons par caractériser la chaîne de transfert des pesticides\, depuis le s pratiques agricoles jusqu’aux effets sur la santé. Nous analysons ens uite la campagne de surveillance CNEP et proposons des indices de difficul té pour les capteurs et pour les substances\, afin de mieux qualifier les sources d'erreur et d'hétérogénéité. Sur cette base\, nous construis ons des représentations enrichies intégrant le contexte agricole\, les a chats de pesticides et des données pédoclimatiques\, ainsi que des encod ages spatiaux conçus pour capturer la variabilité locale.Nous proposons ensuite des estimateurs profonds conjoints adaptés à des mesures éparse s et censurées\, que nous validons à l’aide de protocoles dédiés\, c omplétés par une évaluation du risque d’extrapolation. Nous mettons e n évidence et diagnostiquons les violations de monotonie induites par des perturbations des variables d’entrée. Au-delà de la prédiction\, le manuscrit traite la question de la confiance\, à la fois via la propositi on d'un pipeline d’interprétabilité conceptuelle et via une formulatio n unifiée de l’apprentissage sous contraintes d’opérateurs\, reliant nos analyses de monotonie à des objectifs fondés sur des équations phy siques. Enfin\, nous étudions les sources de rigidité dans l’apprentis sage sous contrainte et proposons une amélioration d’un optimiseur à g radient naturel fondée sur une régularisation adaptative. Dans l’ensem ble\, cette thèse plaide pour des systèmes hybrides d’« IA pour la sc ience » qui intègrent les connaissances d’experts\, à la fois dans le s représentations et dans les contraintes d’apprentissage\, afin de pro duire des estimations robustes et fiables. \nListe des publications dans HAL CATEGORIES:AAC,IA,Science des Données,Thèses et HDR LOCATION:LISN Site Plaine – Digitéo\, 1 rue René THOM 91190 Gif-sur -Yvette\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=1 rue René THOM 91190 Gif- sur-Yvette\, France;X-APPLE-RADIUS=100;X-TITLE=LISN Site Plaine – Digit éo:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20260329T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR