L’objectif de mes principaux travaux de recherche jusqu'à aujourd'hui est la prédiction à échelle européenne ou mondiale de la concentration en aérosols au niveau du sol. L’inhalation de certains aérosols ayant des effets néfastes sur la santé humaine, la prédiction de cette valeur de concentration représente un intérêt certain du point de vue de la santé publique, et peut permettre la mise en place de stratégies de prévention.

Des solutions existent pour réaliser cette tâche, cependant elles sont la plupart du temps basées sur de très lourds modèles atmosphériques, qui parfois ne permettent l’obtention de ces valeurs qu’a posteriori, après que la période concernée se soit écoulée. Quant aux données, leur format particulier (des matrices contenant directement des valeurs de variables physiques) ainsi que diverses problématiques liées à leur disponibilité représentent des obstacles scientifiques à la réalisation de cette tâche avec des méthodes classiques d’apprentissage automatique.

Les travaux réalisés durant cette thèse apportent des contributions permettant de surmonter ces obstacles en utilisant des méthodes d’apprentissage profond mais aussi en exploitant un certain nombre de concepts issus du domaine de la physique atmosphérique. L’utilisation de ces concepts physiques au sein de l’apprentissage permet non seulement d’améliorer la performance des réseaux mais aussi leur acceptabilité au sein de la communauté cible, en s’éloignant ainsi de l’aspect boîte noire de ce type de réseau.

J'évoquerai avec vous durant cette présentation quelques-uns de ces travaux, et également mon expérience d'enseignement.