À propos

Ce site est personnel et a pour but de mettre en avant mon intérêt pour l’informatique, les sciences, les logiciels libres et l’écriture.

Avec quoi ?

J’utilise un générateur de site statique qui s’appelle hugo. J’édite des fichiers Markdown avec mon éditeur préféré : Emacs !!

Le serveur, c’est du nginx sous Debian.

Et côté boulot sinon ?

Ce que j’aime faire : maths appliquées, fouille de données, data science, simulation numérique, Open Source.

Mon état d’esprit au travail : hacker¹, pragmatique, code efficace mais expressif, amélioration continue, travail collaboratif, échanges de connaissances/compétences.

Actuellement, je suis data scientist et développeur chez Oslandia, société spécialisée en architecture SIG (Système d’Information Géographique), traitement de données et Open Source.

Pour plus de précisions : mon profil LinkedIn.

Doctorat (2011)

L’intitulé de mon doctorat, soutenu en 2011 est :

Estimation des incertitudes et prévisions des risques en qualité de l’air.

Disponible sur les archives ouvertes Pastel.

Inscrit à l’école doctorale de l’École des Ponts ParisTech “Sciences, Ingénierie et Environnement”, membre du CEREA² et de l’équipe-projet CLIME chez Inria, j’ai effectué ce travail avec Vivien Mallet. Le sujet se situe dans le domaine des mathématiques et de l’informatique appliquées à la prévision de la qualité de l’air.

En voici un résumé :

Ce travail porte sur l’estimation des incertitudes et la prévision de risques en qualité de l’air. Il consiste dans un premier temps à construire un ensemble de simulations de la qualité de l’air qui prend en compte toutes les incertitudes liées à la modélisation de la qualité de l’air. Des ensembles de simulations photochimiques à l’échelle continentale ou régionale sont générés automatiquement. Ensuite, les ensembles générés sont calibrés par une méthode d’optimisation combinatoire qui sélectionne un sous-ensemble représentatif de l’incertitude ou performant (fiabilité et résolution) pour des prévisions probabilistes. Ainsi, il est possible d’estimer et de prévoir des champs d’incertitude sur les concentrations d’ozone ou de dioxyde d’azote, ou encore d’améliorer la fiabilité des prévisions de dépassement de seuil. Cette approche est ensuite comparée avec la calibration d’un ensemble Monte Carlo. Ce dernier, moins dispersé, est moins représentatif de l’incertitude. Enfin, on a pu estimer la part des erreurs de mesure, de représentativité et de modélisation de la qualité de l’air.