3369 research outputs found
Sort by
Apprentissage par renforcement pour une cybersécurité résiliente
No full textÀ mesure que la dépendance mondiale aux dispositifs de l’IoT et aux technologies interconnectées s’intensifie, les menaces en cybersécurité évoluent à un rythme sans précédent. Les mécanismes de défense traditionnels basés sur des règles, ainsi que les modèles classiques d’apprentissage automatique, montrent une efficacité décroissante face à la nature dynamique et adaptative des cyberattaques modernes. Pour combler cette lacune, ce mémoire propose un cadre innovant fondé sur l’apprentissage par renforcement dans le but d’améliorer la résilience en cybersécurité. Plus précisément, nous développons des agents RL capables de simuler des comportements adverses en lançant des cyberattaques adaptatives et en évaluant la robustesse des réseaux cibles dans différents scénarios.
L’étude débute par une contextualisation de l’apprentissage par renforcement dans le paysage plus large de l’intelligence artificielle appliquée à la cybersécurité. Nous concevons ensuite un modèle RL intégré à un algorithme d’apprentissage méta-indépendant du modèle, permettant une adaptation rapide et une meilleure généralisation à travers des environnements réseaux hétérogènes. Contrairement aux travaux existants, souvent limités à des contextes spécifiques, notre modèle démontre une capacité de généralisation, rendant possible une évaluation plus efficace des défenses sur un large éventail d’infrastructures cybernétiques.
Nos résultats expérimentaux montrent que l’apprentissage par renforcement, renforcé par l’apprentissage méta, constitue une approche évolutive et adaptative pour les opérations de cybersécurité offensives. En permettant aux systèmes d’apprendre de leurs interactions avec l’environnement cybernétique, cette méthode offre une solution intelligente et résiliente pour l’architecture de cybersécurité moderne
Mesure de l’épaisseur à haute température avec des Transducteurs ÉlectroMagnétiques Acoustiques (EMATs)
No full textLa mesure d’épaisseur constitue une opération essentielle du contrôle non destructif (CND) pour le suivi de l’intégrité des structures soumises à des conditions sévères, telles que les conduites industrielles ou les composants exposés à de fortes températures. Parmi les différentes techniques disponibles, les ultrasons représentent une solution privilégiée pour leur précision, leur rapidité d’exécution et leur capacité à évaluer les discontinuités internes des matériaux.
Le transducteur électromagnétique acoustique (EMAT) se distingue des capteurs piézoélectriques traditionnels par son fonctionnement sans couplant et sa capacité à générer des ondes de cisaille ment. Ce type d’onde, dont la longueur d’onde est plus courte que celle des ondes longitudinales à fréquence donnée offre une meilleure résolution spatiale pour la mesure d’épaisseur. L’EMAT exploite principalement la force de Lorentz issue de l’interaction entre la densité de courant induite dans la pièce et un champ magnétique, permettant la génération et la détection d’ondes de cisaillement selon une configuration pulse-echo. Dans les matériaux ferromagnétiques, des phénomènes de magnétisation et de magnétostriction contribuent également à la transduction d’ondes.
Des simulations par éléments finis ont permis d’optimiser la conception du dispositif, en étudiant la distribution du champ magnétique statique et la densité des forces de Lorentz. Plusieurs configurations d’aimants et de bobines ont été évaluées, et l’agencement combinant un noyau ferromagnétique central, des aimants latéraux et une bobine papillon s’est révélé le plus performant, améliorant significativement le rapport signal sur bruit (Signal to Noise Ratio - SNR) et la directivité acoustique.
Les prototypes ont été réalisés à l’aide d’aimants permanents en Samarium-Cobalt (SmCo) et d’un circuit imprimé (Printed Circuit Board - PCB) en céramique d’alumine (Al2O3), assurant une stabilité mécanique et thermique jusqu’à 400 °C. Les essais sur des échantillons d’acier 1018 et 1045 ont révélé un SNR supérieur à 17 dB sur l’ensemble de la plage de température, et une excellente stabilité après plusieurs cycles thermiques ainsi qu’une semaine d’essai continu à 300 °C.
Enfin, la détection de défauts internes de type trou à fond plat (Flat Bottom Hole - FBH) a été réalisée avec succès, y compris à haute température, au moyen d’un EMAT compact
Étude des critères de stabilité interne des matériaux granulaires pour ouvrages en remblai
No full textLes ouvrages en remblai sont les ouvrages de retenue les plus répandus au Québec. Composés de matériaux géologiques, ils peuvent subir une migration de particules fines sous l’effet de l’écoulement d’eau, un phénomène appelé suffusion. La susceptibilité à cette érosion interne sélective est fortement liée à l’instabilité interne du matériau, laquelle dépend principalement de la forme de sa courbe granulométrique. La méthode la plus fiable pour évaluer cette stabilité consiste à réaliser des essais d’écoulement en laboratoire. Toutefois, ces essais étant longs et coûteux, l’application de critères géométriques fondés sur des caractéristiques granulométriques est généralement privilégiée. Les plus couramment utilisés sont les critères semi-empiriques de Kezdi, de Sherard et de Kenney & Lau.
Les approches expérimentale et géométrique présentent toutes deux des limites qui nuisent à une évaluation fiable de la stabilité interne des matériaux géologiques. Les essais d’écoulement montrent une forte variabilité, notamment en raison de l’absence de normalisation, tant dans les procédures expérimentales que dans les paramètres mesurés et les valeurs seuils retenues pour différencier un matériau stable d’un matériau instable. Bien qu’imparfaits, leurs résultats servent de référence pour identifier les avantages et les limites de critères géométriques semi empiriques, en particulier ceux de Kezdi, de Sherard et de Kenney & Lau. Ces critères, généralement jugés conservateurs, sont largement modifiés et/ou combinés, donnant naissance à de nombreux critères dérivés parfois divergents dans leurs évaluations. L’objectif principal de cette thèse est donc d’améliorer l’évaluation de la stabilité interne, afin de renforcer la sécurité des ouvrages en remblai. Le projet s’articule autour de deux sous-objectifs, chacun fondé sur l’une des deux approches existantes d’évaluation de la stabilité interne.
Le premier sous-objectif comporte deux étapes. La première consiste à évaluer plusieurs méthodes de saturation applicables à des matériaux granulaires soumis à un écoulement d’eau. Cette évaluation montre qu’une saturation complète est possible en combinant une méthode éliminant l’air dissous dans l’eau avec une autre chassant l’air dans les pores. Les combinaisons les plus efficaces sont celles couplant un écoulement ascendant d’eau désaérée, obtenue par cavitation sous vide, à une purge de dioxyde de carbone (CO2) ou à une mise sous vide. La méthode par purge de CO2, permettant une saturation complète en un temps réduit, est retenue pour les essais d’écoulement de la seconde étape. Celle-ci vise à établir un critère expérimental rigoureux d’évaluation de la stabilité interne. Des matériaux granulaires grossiers, classés selon leur stabilité interne établie expérimentalement dans la littérature, sont reconstitués avec des billes de verre et testés sous un écoulement d’eau dans un perméamètre à parois rigides conçu pour cette étude. Plusieurs paramètres sensibles à la migration des particules fines sont mesurés et analysés selon l’évaluation de la stabilité interne rapportée dans la littérature. Quatre conditions, chacune associée à deux paramètres définissant la structure interne des matériaux, doivent être satisfaites simultanément pour qu’un matériau soit considéré comme stable.
Le deuxième objectif concerne l’évaluation comparative de critères semi-empiriques, en particulier ceux de Kezdi, de Sherard et de Kenney & Lau, ainsi que leurs dérivés, en vue du développement d’un critère géométrique plus fiable pour évaluer la stabilité interne. Appliqués à diverses courbes granulométriques sélectionnées dans la littérature, leurs résultats sont comparés aux évaluations expérimentales publiées. Deux méthodes distinctes sont retenues selon la forme de la courbe granulométrique: le critère de De Mello pour les courbes discontinues et une combinaison des critères de Sherard (ajusté) et de Kenney & Lau pour les courbes continues
Computer vision methods adapting to new domains with few samples
No full textDeep learning models have achieved remarkable success in a wide array of computer vision tasks, from classification to segmentation and beyond. However, these models are often trained under the assumption that the data encountered at test time will be drawn from the same distribution as the training set. In real-world scenarios, this assumption rarely holds. Even subtle variations in lighting, camera properties, background textures, or object appearances can lead to significant shifts in data distribution—resulting in a sharp drop in model performance. This vulnerability to distribution shifts raises critical concerns about the robustness and reliability of vision systems deployed in the wild.
In contrast to deep neural networks, human perception exhibits a natural resilience to such changes. We recognize people and objects under varying conditions without retraining or explicit supervision, guided by contextual cues and generalizable priors. Inspired by this, the focus of this thesis shifts from the traditional training-centered paradigm to an inference-centered approach, where models are not retrained or fine-tuned offline, but instead adapt dynamically and unsupervised at test time. This setting—commonly referred to as Test-Time Adaptation (TTA)—presents unique challenges, such as the absence of labeled data, the inaccessibility of source training data due to privacy or storage constraints, and the need for rapid, on-the-fly adaptation.
To address these challenges, this thesis presents a series of modular, architecture-agnostic methods for adapting vision models during inference, with a focus on robustness, computational efficiency, and broad applicability.
As a first contribution, we introduce NC-TTT: a noise contrastive test-time training framework tailored for convolutional neural networks. Instead of minimizing entropy or updating batch statistics, our method relies on an auxiliary contrastive task that learns to distinguish between noisy augmentations of feature representations. This allows the model to reinforce its understanding of in-distribution features while suppressing out-of-distribution noise—without any labels or access to source data. NC-TTT demonstrates strong performance under various types of distribution shift, including corrupted inputs and synthetic-to-real domain gaps.
In the second contribution, we extend test-time adaptation to Vision-Language Models (VLMs)—particularly CLIP, which has gained prominence for its zero-shot capabilities. We introduce CLIPArTT, a method that leverages the inherent compositionality of language to adapt textual prompts at test time. Rather than using fixed, handcrafted prompts, we propose a strategy for dynamically constructing prompts using the model’s own top-K predictions and multi-modal similarity scores. This pseudo-label-guided adaptation enables CLIP to realign its predictions with target distributions—improving classification accuracy across various corrupted and domain-shifted datasets. Our third core contribution explores the potential of multi-template adaptation in VLMs through a method called WATT (Weight Averaged Test-Time Adaptation). Here, we adapt CLIP to the target distribution using several diverse textual templates, each representing a different linguistic framing of the classes. Rather than selecting a single best template, we aggregate their learned model weights using a principled weight averaging strategy. The result is a more stable and generalizable model that leverages the diversity of prompts while avoiding overfitting to any single linguistic perspective.
Together, these contributions form a cohesive and forward-looking approach to building robust, adaptive, and deployment-ready vision models. By minimizing reliance on labeled data and source domain access, and by prioritizing modularity and architectural flexibility, this thesis paves the way for a new generation of intelligent systems that learn not only during training—but also evolve continually during inference
A new tool for automation of mission analysis process for aero-engine turbine rotors
No full textThe life of a turbine blade rotor is a critical parameter in the design and operation of a gas turbine engine. The component’s life depends on the mission it will perform, which refers to the environmental conditions it will be exposed to during the different phases of a flight, such as take-off, climbing, and cruise. Since these operating conditions will affect the turbine rotor’s life, they must be considered during the life evaluation. This procedure is called “mission analysis” and it requires a series of thermal, structural and lifing analysis in a sequence.
Besides being essential, mission analysis is a highly intensive process. Dozens of missions may need to be analyzed for just one turbine blade geometry. For each mission, a sequence of thermal, structural and lifing analyses must be performed and for each analysis, files must be named and stored manually, and the right files must be provided to the tools. Since a large amount of data is produced for each mission and each analysis, handling them manually and transferring data between analyses may lead loss of productivity as number of missions increases. Automation of the overall process and integration of different analyses offers an efficient solution to save time and avoid unnecessary repetitions.
This research aims to develop a new automation tool for the mission analysis process of turbine rotors as a part of an Industrial Research Chair (IRC , 2011-2028) at École de technologie supérieure (ÉTS). The automation tool is called AMAP (Automated Mission Analysis Process), and it targets minimizing manual work to be done by the engineers, streamline the process, provide a well-defined workflow and well-structured data management to the engineering teams. A time gain of 20% to 65% was obtained in the evaluation of the tool compared to manual procedures. Moreover, an average time reduction of approximately 30% is expected for a typical test case. This will enhance the quality and productivity of the turbine design process by shortening design time, reducing costs, and eventually leading to more dependable turbine designs
Embodied avatar movement distortions in virtual reality: effects on gait symmetry and goal-directed reaching movements of the upper and lower limbs
No full textIn immersive virtual reality, when full-body tracking is enabled, a self-avatar can mimic the user’s movements from a first-person perspective and can serve as a representation of the user’s body within the virtual environment. If the avatar’s movements are sufficiently synchronized with the user’s actual movements, the user can experience a sense of embodiment over the avatar. Recent studies have shown that the sense of embodiment can persist even when the avatar is programmed to spatially deviate from the user’s actual movements. While such studies have primarily focused on upper-limb movements, which are typically deliberate, visually guided, and goal-directed, gait is a rhythmic and automatic motor behavior, and it remains unclear whether spatial distortions would persist in this context. Furthermore, in these prior studies, the avatar’s movements were directed toward a visible target, which may have contributed to the observed motor alignment, reflecting a response which was influenced by the goal and task structure, rather than a tendency to follow the distorted avatar’s movements.
Therefore, the main objective of this thesis is to better understand how spatial distortions applied to an embodied avatar influence individuals’ tendency to follow the avatar’s movements, and to explore the interrelation between these distortions, motor adjustments, and the sense of embodiment.
To better understand how gait responds to these distortions, we developed an algorithm to manipulate one of the avatar’s step lengths in real time by gradually increasing or decreasing the distortion. The first study assessed at which point the step length distortion became consciously noticeable and evaluated the impact of this detection on the sense of embodiment. Results showed that, on average, increasing distortions up to 12% could go undetected, while decreasing distortions were no longer noticed once they dropped below 9%. The sense of embodiment decreased with increasing distortion but was not disrupted by conscious detection alone. Furthermore, embodiment could be induced at high levels by gradually decreasing the distortion applied to an avatar, rather than the traditional method that consists of inducing embodiment without distortions and gradually applying them.
A secondary analysis of the same experimental data examined whether participants would adjust their gait to follow the avatar’s distorted step length, and whether such adjustments were influenced by conscious detection or changes in embodiment. However, despite perceiving the distortion, participants showed no changes in gait symmetry, suggesting that gait may be resistant to visual feedback manipulation. In contrast, earlier studies reporting an effect where participant align their movements with their distorted avatars typically involved discrete upper-limb movements, which differ from gait in being less automatic and more visually guided. Moreover, as those previous studies typically involved reaching movements toward visible targets, it remained unclear whether participants would align with a distorted avatar in the absence of such visual cues.
To verify whether participants would follow the avatar in more deliberate actions without explicit visual guidance, we designed a third study focusing on upper and lower-limb reaching movements performed without visual targets. An algorithm was developed that progressively increased the avatar’s lateral deviation relative to a fixed straight-ahead reference, with the magnitude of distortion increasing gradually after each reach. Contrary to our hypothesis, participants did not align their movements with the avatar’s distorted reaching trajectory but instead actively counteracted the distortion.
Together, these findings provide new insights into the boundaries of embodiment and the mechanisms supporting motor adaptation. They demonstrate that a strong sense of embodiment can persist even in the presence of spatial distortions, but that this does not necessarily lead to behavioral motor alignment with the avatar. During gait, participants largely disregarded the spatial distortions, likely due to the automatic and rhythmical nature of walking. In contrast, during a goal-directed reaching task, when distortions conflicted with expectations about how a movement should unfold, participants actively counteracted them
CODEM: a compliance-oriented decomposition method for Québec health system software
No full textHealth professionals and managers face persistent challenges in complying with numerous and broadly defined healthcare regulations. Simultaneously, governments struggle to design, implement, and enforce effective policies. This regulatory gap constrains the operationalization of health system models and governance. Software engineering offers promising tools to mitigate this gap through the application of Regulatory Technology (RegTech) and Supervisory Technology (SupTech).
This research introduces the Compliance-Oriented Decomposition Method (CODEM) to enhance adherence to Quebec’s healthcare legislation. It departs from traditional practices by treating legal requirements as raw material, systematically breaking them down into elements that can create compliance indicators and produce digital artifacts such as management dashboards.
Using Walt and Gilson’s Policy Triangle Framework, the study hypothesizes that regulations across distinct levels share core components, like actors, spheres, and tasks, which can be decomposed and systematically classified. This hypothesis is evaluated through two case studies involving active healthcare legislation. The extracted elements inform the creation of compliance metrics and a data model, which supports the development of two functional Power BI dashboard prototypes. These dashboards aggregate information by strategic level, task characteristics, legislation type, decision sphere, and other relevant dimensions.
Despite acknowledged limitations, the findings demonstrate the feasibility and potential of the proposed method and data model for future research and innovation. Applications include scalable classification via machine learning, user-centric compliance tools, multilevel hierarchical representations, enhanced support for requirements engineering, and digitally structured health policies to improve interoperability
Optimisation du transport et de l’allocation d’un co-produit de la biométhanisation au sein d’une chaine d’approvisionnement collaborative en boucle fermée
No full textCe projet de recherche explore la logistique des opérations de production et de transport dans une chaîne d'approvisionnement (CA) de biométhanisation collaborative et en boucle fermée. Les fournisseurs de matières premières approvisionnent une usine de biométhanisation en résidus organiques, qui peuvent se présenter sous deux formes : liquide ou solide. Les résidus sont transportés à l'usine par deux types de camions (citernes et vrac solide) de capacités différentes, où ils sont transformés par biométhanisation. Au cours du processus de biométhanisation, ces résidus sont décomposés, en l'absence d'oxygène, en gaz naturel renouvelable et en digestat, qui est un engrais organique de grande valeur utilisé dans les exploitations agricoles. La plupart des fournisseurs sont également des clients qui ont besoin de récupérer le digestat pour leurs propres exploitations. De plus, ils ont besoin d'obtenir le digestat sous la même forme que les résidus organiques qu'ils ont fournis (liquide ou solide). Or, à la sortie de l’usine de biométhanisation, le digestat est sous forme liquide et nécessite donc de passer par un séparateur pour être déshydraté. Cette opération supplémentaire est coûteuse et demande un dimensionnement avisé pour éviter une sur ou sous capacité.
Le premier objectif de ce projet est de dimensionner une flotte de camions adaptée aux besoins et à la capacité de l'usine de biométhanisation et de minimiser les coûts de transport. Ensuite, le deuxième objectif est de déterminer la quantité de digestat à allouer aux fournisseurs-clients pour minimiser les coûts totaux de la CA, à savoir les coûts de transport et de séparation, afin de réaliser un maximum d'économies collectives. Enfin le troisième objectif consiste à déterminer des stratégies de compromis pour assurer l’équité des allocations de digestat pour l’ensemble des fournisseurs-clients. Deux ensembles de données ont été utilisés dans ce projet : le premier est issu d’un cas d’étude réel et le second est un cas d’étude fictif, mais représentatif, conçu à partir du cas réel.
Après avoir défini et modélisé le problème à l'aide de la programmation mathématique, quatre scénarios reflétant différentes mises en place de pratiques logistiques (retours en charge et configuration hétérogène de la flotte de camions) ont été testés. Cette étape a permis d’identifier un scénario comme étant plus performant que les autres sur différents points. Par comparaison avec le scénario de référence, dépourvu de ces pratiques logistiques, en appliquant simultanément les retours en charge et la flotte hétérogène à notre cas d’étude réel les économies potentielles sont de 17%, la réduction du nombre total de kilomètres parcourus est de 42% et la réduction des émissions de gaz à effet de serre (GES) est de 34%. Pour le cas d’étude fictif, les économies potentielles sont de 29%, la réduction du nombre total de kilomètres parcourus est de 43% et la réduction des émissions de GES est de 35%.
Pour déterminer la quantité de digestat à allouer aux fournisseurs-clients, nous sommes repartis du scénario logistique le plus performant obtenu précédemment et nous avons établi huit stratégies d’allocation différentes du digestat. Initialement, la répartition était obtenue à partir du prorata du tonnage humide de résidus organiques fournis par chaque fournisseur-client. Cette répartition a été jugée équitable par l’ensemble des acteurs de la CA. Nous avons ensuite voulu la confronter à d’autres répartitions. Les stratégies établies ont été déterminées et calculées soit manuellement soit via un algorithme ayant pour objectif d’obtenir le coût total minimum. Nous avons pu observer des résultats encourageants sur les économies potentielles, la réduction du nombre total de kilomètres parcourus et les émissions de GES mais aucune stratégie ne s’est imposée par rapport aux autres que ce soit pour notre cas d’étude réel ou notre cas d’étude fictif.
Nous avons alors exploré deux pistes permettant d’obtenir des stratégies de compromis afin d’assurer de bonnes performances sur les indicateurs tout en conservant l’équité entre tous les fournisseurs-clients. Dans un premier temps, nous avons mis en place un mécanisme de compensation financière qui a pour but d’utiliser les économies réalisées par l’ensemble de la CA grâce aux stratégies d’allocation pour dédommager les fournisseurs-clients qui recevraient moins de digestat que prévu avec la répartition initiale. L’application de ce système au cas d’étude réel a révélé que sur les 8 stratégies d’allocation testées, une seule permettait de conserver des économies sur les coûts totaux de la CA. Toutefois, en appliquant ce système au cas d’étude fictif, trois stratégies permettent de conserver des économies sur les coûts totaux de la CA. Dans un second temps, nous avons mis en place une stratégie multicritère qui détermine mathématiquement les allocations permettant un équilibre entre une répartition juste fondée sur la répartition initiale et une répartition visant à minimiser l’ensemble des coûts de la CA. Dans le cadre du cas réel, cette stratégie n’a pas mené à des résultats performants. En revanche, dans le cadre du cas fictif, cette stratégie nous a permis de déterminer des allocations alliant les deux objectifs de manière plus équilibrée
Adaptation of deep object detectors for new modalities
No full textThe performance of deep object detectors significantly deteriorates when deployed across different sensing modalities, such as RGB, infrared, and depth. This degradation arises from the shift between modalities, which drastically affects the performance of the models. Existing adaptation methods, such as pixel-level translation and feature-space alignment, are often limited to specific modalities or require extensive retraining, leading to increased computational cost and potential loss of previously acquired knowledge. In contrast to the dominant approach of adapting the model, here we investigated the potential of adapting the input, or making minor changes, preserving as much prior knowledge while incorporating new modality knowledge. In this context, this thesis studies modality adaptation strategies to bridge the gap between modalities while preserving detection performance on the source pre-trained RGB model.
In this thesis, we first introduce our search and contributions. Then, in the first chapter, we provided a general background to understand the current different strategies presented in this thesis with different mechanisms used to adapt object detectors, ranging from input-level (image modification) to middle-level (mechanisms in backbones) to output-level (adaptation of boxes or pseudo-level modifications). In the second chapter, we study how to incorporate knowledge of two different modalities in a single modality-agnostic shared encoder for detectors in an efficient and powerful way. Then, in the third chapter, we explore progressive modality adaptation, first adapting the detector knowledge from the RGB source data (e.g., COCO dataset) to the target RGB dataset (e.g., LLVIP RGB) and then adapting the input from IR data (e.g., LLVIP IR) to a pseudo-RGB representation with this detector feedback. In the fourth chapter, we focused on input modality adaptation, preserving the knowledge of the source pre-trained model (e.g, COCO dataset) and adapting directly to the IR dataset (e.g., LLVIP IR), without the intermediate step of the prior chapter, and focusing on maximizing the detection performance while keeping the source zero-shot knowledge. In the fifth chapter, we explored how to incorporate language in the input modality adaptation for visual-language object detectors; therefore, our goal was still to preserve zero-shot knowledge of the detector, but also to understand how to incorporate powerful visual modality adaptation techniques, along with prompt adaptation.
Our main contributions include: for the second chapter, we introduced MiPa, a mixed-patch training strategy for transformer-based object detectors that enables a single shared encoder to be modality-agnostic to RGB and infrared inputs. MiPa stochastically samples and combines complementary RGB/IR patches during training, effectively capturing cross-modal information without requiring both modalities at inference. In the fourth chapter, we introduced ModTr, a modality translation framework for adapting pre-trained RGB object detectors to new modalities, such as infrared (IR), without changing the detector’s parameters. ModTr preserves the detector’s original knowledge, enabling a single model to serve multiple modalities through dedicated translators, reducing memory and computation costs. ModTr introduces simple yet effective fusion strategies, such as the Hadamard product–based gating, to blend the translated and original inputs. In the fifth chapter, we introduced ModPrompt, a visual prompt–based framework for adapting open-vocabulary object detectors (OV-ODs) to new visual modalities, such as infrared, depth, and LiDAR, without compromising their zero-shot capabilities. Unlike pixel-level prompt strategies used in classification, ModPrompt employs an encoder–decoder visual prompt module that generates modality-specific prompts tailored to each input image. It further proposes Modality Prompt Decoupled Residuals (MPDR), which enhance adaptation by introducing lightweight, inference-friendly residual parameters, enabling modality alignment without losing pre-trained language knowledge. Finally, in the last part of this thesis, we provided an overall conclusion of our thesis and how we can leverage pre-trained RGB knowledge of detectors while we adapt to new modalities and recommendations for future work
Evaluating climate model ensembles design for hydrological impact assessment: uncertainty attribution, transferability, and weighting
No full textUnderstanding the impacts of climate change on water availability and hydrological extremes is critical for effective water resources planning. Hydrological impact assessments rely heavily on global climate model (GCM) ensembles to quantify future changes and their associated uncertainties. The use of multi-model ensembles (MMEs), however, presents several methodological challenges, including model selection, uncertainty attribution, and ensemble weighting. Selecting a reduced subset from an ever-growing pool of GCMs introduces methodological trade-offs between computational feasibility and ensemble representativeness. Similarly, weighting the individual GCMs by performance or by independence affects the outcome as well as its uncertainty limits. Yet, despite the critical role of these decisions, there is little consensus on best practices, and the influence of these design strategies on hydrological projections remains underexplored.
To tackle these issues, three specific research objectives are pursued in this thesis: (1) to quantify the impact of GCM selection based on climate indices on uncertainty transferability to hydrological projections; (2) to examine the hydrological implications of including or excluding high-sensitivity climate models in multi-model ensembles; and (3) to compare the effects of different GCM weighting schemes on the uncertainty of future streamflow projections. Rather than promoting a single optimal strategy, the objective is to understand how different ensemble design choices affect the propagation of climate uncertainty into hydrological space.
The first analysis investigates the transferability of climate uncertainty to hydrological outputs by applying sampling methods such as the KKZ algorithm to sub-select climate models based on temperature and precipitation indices. This experiment was conducted across 3,540 North American catchments using 20 CMIP5 GCMs, two bias correction methods and three conceptual hydrological models. Results show that when carefully designed, reduced ensembles can retain most of the spread observed in streamflow projections derived from the full ensemble. However, the translation of uncertainty is non-uniform and nonlinear, meaning small differences in climate inputs, particularly precipitation, may result in large variations in streamflow, especially for high and low flow regimes.
Secondly, the thesis examines the effect of excluding high Equilibrium Climate Sensitivity (ECS) models, referred to as “hot” models, on projected streamflow. Exclusion of these models reduces the spread of projected streamflow changes in some regions such as Alaska, southwestern U.S., and parts of Canada, but increased it in others, highlighting the need to evaluate GCMs using region-specific, rather than global, criteria.
Finally, the thesis assesses the performance of weighting schemes in GCMs through a pseudoreality experiment, where each of the GCMs is, in turn, simulated as the “true” future. This allows an objective comparison of weighting performance against a known target in future where the true reality is unknown. The analysis applies six weighting approaches to an ensemble of 22 CMIP6 GCMs, coupled with a hydrological model across 3,107 North American catchments. Results indicate that unequal weighting by historical temperature and precipitation improves climate variable projections' quality. But for streamflow, these improvements are blunted, particularly if bias correction has been applied to inputs.
This thesis provides new insights into the design of climate model ensembles for hydrological impact assessments. It emphasizes that ensemble construction should not be based solely on climate performance metrics, but must incorporate impact-relevant behavior such as streamflow variability and seasonality. The findings advocate for a more pragmatic approach to ensemble design, balancing model diversity, computational efficiency, and relevance to the intended application