BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:5970@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20220916T090000 DTEND;TZID=Europe/Paris:20220916T110000 DTSTAMP:20241209T161615Z URL:https://www.i2m.univ-amu.fr/evenements/methodes-neuronales-et-donnees- mixtes-vers-une-meilleure-resolution-spatio-temporelle-des-ecosystemes-mar ins-et-du-phytoplancton/ SUMMARY:Robin Fuchs (I2M\, Aix-Marseille Université): Méthodes neuronales et données mixtes: Vers une meilleure résolution spatio-temporelle des écosystèmes marins et du phytoplancton DESCRIPTION:Robin Fuchs: Méthodes neuronales et données mixtes: Vers une meilleure résolution spatio-temporelle des écosystèmes marins et du phy toplancton\nSous la codirection de Denys POMMERET (I2M) et de Melilotus TH YSSEN (Institut Méditerranéen d'Océanologie\, MIO).\nThèse en prépara tion à Aix-Marseille \, dans le cadre de Mathématiques et informatique d e Marseille (184)\, en partenariat avec l'Institut de Mathématiques de Ma rseille (groupe ALEA\, équipe de recherche Statistique) depuis le 30-09-2 019.\nMembres du jury :\nChristophe BIERNACKI : Rapporteur\nUniversity Lil le 1 (France)\n\nEmilie POISSON-CAILLAULT: Rapporteure\nUniversité du Lit toral (France)\n\nMelika BAKLOUTI: Examinatrice\nInstitut Méditerranéen d’Océanologie (France)\n\nPierre LATOUCHE: Examinateur\nUniversité de Paris (France)\n\nGeoffrey MCLACHLAN: Examinateur\nUniversité du Queensla nd (Australie)\n\nMridul THOMAS: Examinateur\nUniversité de Genève (Suis se)\n\nDenys POMMERET: Directeur de thèse\nInstitut de Mathématiques de Marseille (France)\n\nMelilotus THYSSEN: Codirectrice de thèse\nInstitut Méditerranéen d’Océanologie (France)\nRésumé : Le phytoplancton con stitue un des premiers maillons du réseau trophique et génère jusqu’ à 50% de la production primaire mondiale. L’étude du phytoplancton et de son environnement physique nécessite des observations ayant une résol ution inférieure à la journée et au kilomètre\, ainsi que la prise en compte des types hétérogènes de données impliquées et des structures de dépendance spatio-temporelles des écosystèmes marins.\nCette thèse s’applique à développer des méthodes statistiques dans ce contexte en s’appuyant sur des technologies comme la cytométrie en flux automatis ée. Les développements théoriques ont porté sur les modèles de mélan ges gaussiens profonds (DGMM) introduits par Viroli et McLachlan (2019). A fin de mieux caractériser les niches écologiques du phytoplancton\, nous avons étendu ces modèles aux données mixtes (présentant des variables continues et non continues) souvent présentes en océanographie. Une mé thode de clustering a ainsi été proposée ainsi qu’un algorithme de g énération de données mixtes synthétiques.\nConcernant l’étude haute fréquence à proprement parler\, des réseaux neuronaux convolutifs ont été introduits pour traiter les sorties de cytométrie en flux et étudi er six groupes fonctionnels du phytoplancton en zone littorale et en océa n ouvert. Des réactions différenciées et reproductibles de ces groupes ont été identifiées à la suite d’événements impulsionnels induits par le vent\, soulignant l’importance du couplage entre la physique et l a biologie. À cet égard\, uneméthode de détection de rupture a été p roposée pour délimiter les zones épipélagique et mésopélagique\, pro posant ainsi une nouvelle base pour le calcul de budgets carbone mésopél agiques.\nMots clés : Modèles de mélange\, Données synthétiques\, Dé tection de rupture\, Phytoplancton\, Niches écologiques\, Forçage physiq ue.\n\nNeural methods and mixed data: Towards a better spatio-temporal res olution of marine ecosystems and phytoplankton\nAbstract: Phytoplankton ar e one of the first links in the food web and generate up to 50% of the wor ld's primary production. The study of phytoplankton and their physical env ironment requires observations with a resolution of less than a day and a kilometer\, as well as the consideration of the heterogeneous types of dat a involved and the spatio-temporal dependency structures of marine ecosyst ems.\nThis thesis aims to develop statistical methods in this context by u sing technologies such as automated flow cytometry. Theoretical developmen ts focused on Deep Gaussian Mixture Models (DGMM) introduced by Viroli and McLachlan (2019). To better characterize phytoplankton ecological niches\ , we extended these models to mixed data (exhibiting continuous and non-co ntinuous variables) often found in oceanography. A clustering method has b een proposed as well as an algorithm for generating synthetic mixed data.\ nRegarding the high-frequency study itself\, convolutional neural networks have been introduced to process flow cytometry outputs and to study six f unctional groups of phytoplankton in the littoral zone and the open ocean. Differentiated and reproducible responses of these groups were identified following wind-induced pulse events\, highlighting the importance of the coupling between physics and biology. In this regard\, a change-point dete ction method has been proposed to delineate epipelagic and mesopelagic zon es\, providing a new basis for the calculation of mesopelagic carbon budge ts.\nKeywords: Mixing models\, Synthetic data\, Breakthrough detection\, P hytoplankton\, Ecological niches\, Physical forcing.\n\nLiens :\nhttps://w ww.theses.fr/s226930\nhttps://college-doctoral.univ-amu.fr/inscrit/11909\n https://adum.parisnanterre.fr/as/ed/cv.pl?mat=113734&\;site=adumR\nhttp s://scholar.google.fr/citations?hl=fr&\;user=q38v4NoAAAAJ\nhttps://www. researchgate.net/profile/Robin-Fuchs\nhttps://fr.linkedin.com/in/robin-fuc hs-820a6862\nhttps://www.mio.osupytheas.fr/fr/robin-fuchs-cybele-soutiendr a-sa-these-le-vendredi-16-septembre-2022-900\n\n\n ATTACH;FMTTYPE=image/jpeg:https://www.i2m.univ-amu.fr/wp-content/uploads/2 022/09/Robin_Fuchs-2.png CATEGORIES:Soutenance de thèse,ALEA,Statistique LOCATION:Station Marine d'Endoume\, Chemin Batterie des Lions\, 13007 Marse ille\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Chemin Batterie des Lions\, 13007 Marseille\, France;X-APPLE-RADIUS=100;X-TITLE=Station Marine d'Endo ume:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20220327T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR