Stochastic Imaging of Environmental Data - Université de Lorraine Access content directly
Book Section Year : 1997

Stochastic Imaging of Environmental Data

Traitement d'images par Méthodes Stochastiques des Données Environnementales

Abstract

Home Geosciences and Water Resources: Chapter Stochastic Imaging of Environmental Data Jean-Jacques Royer & Arben Shtuka Chapter 250 Accesses Part of the Data and Knowledge in a Changing World book series (DATAKNOWL) Abstract Interpretation of environmental data is currently confronted with the problem of estimating the spatial variation of a parameter from a limited number of sample points irregularly distributed in space. The challenge is to extract the relevant information for a given problem from the individual observations at control points. For example, in risk analysis (water resource monitoring, overflow forecasting, pollution monitoring), the emphasis is on detecting the maximum value or the anomalies of the appropriate parameter. Within this framework, classical numerical mapping techniques such as spline interpolation, multivariate regression or kriging, are of little use, because they provide an estimation of the mean local value while the expected distribution of the parameter would be more relevant. In this paper, a stochastic simulation technique based on indicator functions is presented. It provides at each unknown point an estimation of the conditional probability function which can be further used to produce a “Stochastic image” or a realistic simulation map of the unknown parameter. This technique is also used to build various non-parametric estimators of an expected value (such as minimum, maximum, median, inter quartile range) which can be used in risk analysis. A case study in environmental monitoring is presented to illustrate the procedure.
L'interprétation des données environnementales se trouve confrontée habituellement au problème de l'estimation de la variation spatiale d'un paramètre à partir d'un nombre limite de points d'échantillonnage irrégulièrement distribues dans l'espace. La difficulté est alors d'extraire des informations pertinentes compte tenu du problème pose à partir des observations élémentaires effectuées sur des points de contrôle. Par exemple, en analyse des risques (gestion des ressources en eau, prévisions des inondations, gestion de la pollution), à est important de pouvoir estimer la valeur maximum, ou de détecter des anomalies du paramètre mesure. Dans ce cadre, les techniques classiques de cartographie automatique telles que les méthodes splines, les méthodes de régression multivariables ou d'interpolation tel que le krigeage, s'avèrent peu utiles, car elles fournissent une estimation locale de la valeur moyenne du paramètre étudié, alors que la loi conditionnelle du paramètre sera à bien plus utile. Nous présentons dans cet expose une technique de simulation stochastique basée sur les fonctions indicatrices. Cette méthode fournit en chaque point de l'espace une estimation de la loi de probabilité conditionnelle du paramètre étudié. Cette estimation peut ensuite are utilisée pour construire une "image stochastique" ou bien une carte de simulation réaliste d'un paramètre inconnu. Cette technique est également utilisée pour construire différents estimateurs non-paramétriques de la variable étudiée (telle que sa valeur minimum, maximum, médiane, variation interquartile) qui peuvent être utilises dans une analyse des risques. Une étude de cas concernant la gestion de polluant est présentée afin d'illustrer la méthodologie proposée.

Dates and versions

hal-04041209 , version 1 (22-03-2023)

Identifiers

Cite

Jean-Jacques Royer, Arben Shtuka. Stochastic Imaging of Environmental Data. Bardinet, C. AND Royer, Jean-Jacques. Geosciences and Water Resources: Environmental Data Modeling, Springer Berlin Heidelberg, pp.101-114, 1997, Data and Knowledge in a Changing World, ⟨10.1007/978-3-642-60627-4_11⟩. ⟨hal-04041209⟩
9 View
0 Download

Altmetric

Share

Gmail Facebook X LinkedIn More