1,721,041 research outputs found
Analyse de données spatio-temporelles pour le suivi de phénomènes dynamiques à l'aide de capteurs mobiles.
No full textLa surveillance des panaches de pollution dans les situations d'urgence (accidents industriels, catastrophes naturelles, etc.) revêt une importance capitale dans les villes du monde entier, en raison des effets dramatiques que les polluants libérés peuvent causer. Dans ce genre de situations, le panache de pollution est fortement dynamique, entraînant une dispersion rapide des polluants dans l'atmosphère. Ainsi, la nécessité d'une réponse en temps réel est très forte et une solution pour obtenir une cartographie précise de la dispersion de la pollution est nécessaire pour atténuer les risques. Autrement, des conséquences potentiellement dévastatrices pourraient être relevées, ce qui souligne ainsi l'importance de la surveillance de la pollution de l’air, particulièrement dans les scénarios d'urgence. Cependant, obtenir une cartographie précise de la dispersion de la pollution en temps réel reste une tâche difficile, qui nécessite des solutions innovantes pour aider les autorités à prendre des décisions éclairées et à agir rapidement pour protéger la santé publique et l'environnement. Dans cette thèse, nous nous concentrons principalement sur le suivi de la pollution dynamique dans les cas d'urgence, avec trois principaux axes d'investigation: 1) la prédiction spatio-temporelle de l'évolution du panache de pollution; 2) la planification optimale des trajectoires des drones pour améliorer la qualité de la cartographie de la pollution; 3) le développement et la validation d'un framework générique pour la surveillance des panaches de pollution en situation d'urgence. À travers ce travail, nous présentons un modèle spatio-temporel basé sur l'apprentissage profond pour la prédiction multi-point des concentrations de pollution, et au-dessus, nous implémentons plusieurs techniques de quantification de l'incertitude pour avoir une mesure de fiabilité de ce dernier. Ensuite, nous examinons et identifions les principaux défis liés à la nature dynamique du phénomène étudié ainsi que son contexte d’urgence; et nous proposons une nouvelle approche systémique pour la surveillance de la pollution dynamique en se basant sur la mesure aérienne. Cette solution combine à la fois des approches d'apprentissage profond avec des techniques d'assimilation de données, tout en s'appuyant sur des stratégies adéquates de planification de trajectoires. Par la suite, ce framework a été méticuleusement étudié et étendu pour adresser les problèmes de manque de données rencontrés grâce à une solution d'apprentissage par transfert basée sur un modèle physique, le rendant ainsi opérationnel. Enfin, nous abordons le problème de la planification optimale des trajectoires des drones plus en détails à des fins d'amélioration de la qualité de la cartographie de la pollution, et nous présentons une solution d'apprentissage par renforcement multi-agent où l'impact du nombre de drones ainsi que les erreurs de simulation sont soigneusement étudiés.Monitoring air pollution plumes in emergency situations (industrial accidents, natural disasters, deliberate terrorist releases, etc.) becomes an issue of utmost importance in cities worldwide, given the dramatic effects that the released pollutants can cause. In these situations, the pollution plume is strongly dynamic leading to a fast dispersion of pollutants in the atmosphere. Thus, the need for a real-time response is very strong and a solution to get a precise mapping of pollution dispersion is needed to mitigate risks. Failure to do so could result in devastating consequences, underscoring the importance of air pollution monitoring in emergency scenarios. Nonetheless, achieving accurate mapping of pollution dispersion in real-time remains a challenging task, requiring innovative solutions to help authorities make informed decisions and take swift action to protect public health and the environment. In this thesis, we focus on air pollution monitoring in an emergency context using a fleet of drones, with three main areas of investigation: 1) predicting dynamic air pollution concentration in space and time; 2) optimizing the path planning of drones to improve the accuracy of pollution mapping; 3) developing and validating a generic framework for monitoring pollution plumes in emergencies. Through this work, we develop a spatio-temporal Deep Learning model for multi-point forecasting of pollution concentrations, and we built upon several uncertainty quantification techniques to make it more trustworthy. Furthermore, we examine and identify the main challenges related to the dynamic nature of the underlying phenomenon as well as its emergency context; and we suggest a new systemic approach for monitoring dynamic air pollution based on aerial sensing. The latter combines Deep Learning approaches, with Data Assimilation techniques, while relying at the same time on adequate path-planning strategies. This framework is meticulously studied and extended later to handle data paucity issues encountered in such a context through a transfer learning solution based on physics-based modeling, hence making it operational. Finally, we address meticulously the drones path planning problem with the purpose of improving the air pollution mapping quality, and we provide a Multi-Agent Reinforcement Learning solution where the impact of the number of drones as well as the simulation errors is carefully investigated. Along this thesis, all solutions were evaluated and validated with extensive experiments using real-world data sets, and some interesting engineering insights were derived
New Key Management Schemes for Resource Constrained Wireless Sensor Networks
No full textInternational audienc
New Key Management Schemes for Resource Constrained Wireless Sensor Networks
No full textInternational audienc
Contributions to Wireless Sensor Networks for Air Quality Monitoring
No full textIn this manuscript, I provide a summary of the main research work I have carried out over the last ten years. During this period, I have been actively engaged as an associate professor at INSA-Lyon, a member of the CITI laboratory, the INRIA Agora team, and the Telecommunications teaching department.The core focus of my research, as detailed in this manuscript, revolves around the design and evaluation of novel solutions for Wireless Sensor Networks to efficiently monitor physical phenomena. I have addressed several scientific and technical issues by adopting a global methodology combining theoretical solutions and experimental developments. Although our solutions can be easily adapted to different applications, the focus was on air quality monitoring, a major societal challenge where new low-cost sensing technologies offer a significant advantage over traditional solutions.This manuscript focuses on our main contributions in this area of low-cost sensor networks for environmental monitoring. It is structured around three axes: i) static sensor networks for air quality monitoring in cities and on industrial sites; ii) participatory sensing of air quality and Urban Heat Islands; and iii) UAV fleets for monitoring highly dynamic phenomena. The common thread running through all our solutions is that they take into account both the physical domain knowledge and the characteristics of low-cost sensors such as the limited and heterogeneous measurement accuracy. In the first axis, detailed across three chapters, three use cases are progressively addressed: pollution threshold crossing detection, air quality mapping by interpolation, and air quality mapping by Data Assimilation into physical model-based simulations. For these three applications, efficient models for optimizing low-cost sensor placement and scheduling sensor activities have been proposed. Our models can be considered from two perspectives: i) minimizing the deployment/scheduling cost while meeting the constraints of the desired estimation/detection quality, or ii) maximizing the estimation/detection quality under the constraints of the deployment/scheduling cost. The main novelties of our solutions lie in considering the dynamics of pollution dispersion and in designing efficient solutions in terms of execution time. This is achieved through the introduction of new modeling ideas and the proposal of efficient heuristics. Real-world data from the cities of Lyon, London and Paris were used to validate and evaluate our models. In addition to our theoretical solutions, we have designed and implemented several air quality monitoring platforms. Our systems integrate different types of low-cost sensors and use LoRa and LoRaWAN communication technologies. They have progressively gained in modularity, flexibility, and energy efficiency. We performed multiple deployments in urban areas as well as onshore and offshore industrial sites. This enabled us to assess the feasibility and the benefits of these technologies while deriving real-world scientific findings and drawing multiple engineering insights. \newpageIn the second axis, which I present in two chapters, we delved into participatory citizen sensing, considering both air quality and Urban Heat Islands. In this manuscript, we focus on two key aspects: i) the design of measurement systems adapted to our application, and ii) the evaluation of solutions for the spatial analysis of data collected by our systems. Regarding the first experimental aspect, we have designed and developed multi-sensor handheld devices. We also validated the measurements of our sensors, which were subsequently used in multiple measurement campaigns in the city of Lyon. On the second aspect of data analysis, we first compared Machine Learning solutions for spatial mapping based on real data collected during our measurement campaigns. Using these same measurements, we studied the trade-off between sensing frequency, energy consumption and mapping quality. To take this a step further, we proposed a generic solution for comparing and evaluating the performance of statistical regression and Data Assimilation methods. Our solution takes into account the intrinsic characteristics of low-cost sensor networks, such as the high density and the limited and heterogeneous accuracy of measurements.In the third axis, which I summarize in one chapter, we focused on UAV fleets for monitoring highly dynamic pollution plumes. To this end, we proposed a global approach that combines three elements with a feedback loop: i) a spatio-temporal concentration prediction and uncertainty estimation component; ii) a UAV path planning component; and iii) a spatial fitting component that exploits collected data to correct pollution predictions. In this manuscript, we focus on the spatio-temporal prediction component, where we propose a Deep Learning architecture while integrating two uncertainty estimation methods. Our first solutions underwent validation using real-world data, showcasing the high performance of our proposed models based on the achieved results. Indeed, our models effectively capture the spatio-temporal evolution of pollution plumes without explicitly considering meteorological conditions. In the same vein, we also presented our initial experimental work on the design and development of a UAV network demonstrator for monitoring pollution plumes.I conclude this manuscript by discussing some personal feedback and setting out some future perspectives, categorized into four parts. The first group of perspectives aims to strengthen the link between physical models and optimization/Machine Learning through various works in progress. The second group addresses other issues related to UAV networks for pollution plume monitoring. The aim is to finalize our holistic approach and implement it on the real demonstrator. While these two groups of perspectives are a continuation of previous work, the last two groups that I hope to address in the medium and long term will tackle the energy efficiency of Deep Learning models, as well as the reliability and security of data in sensor networks.Dans ce document, je présente un résumé des principaux travaux de recherche que j'ai menés au cours des dix dernières années. Durant cette période, j’ai oeuvré comme maître de conférences à l'INSA de Lyon, membre du laboratoire CITI, de l'équipe INRIA Agora et du département d'enseignement Télécommunications.Les travaux présentés dans ce document portent principalement sur la conception et l'évaluation de solutions pour les réseaux de capteurs sans fil, destinés à la surveillance de phénomènes physiques. J'ai traité dans ce cadre différents verrous scientifiques et techniques en adoptant une approche globale combinant des solutions théoriques et des développements expérimentaux. Bien que nos solutions puissent être facilement adaptées à différentes applications, l'accent a été mis sur la surveillance de la qualité de l'air. Ce dernier constitue un enjeu sociétal majeur où les nouvelles technologies de mesure à bas coût offrent un avantage significatif par rapport aux solutions traditionnelles.Ce document se focalise sur nos principales contributions dans ce cadre de réseaux de capteurs à bas coût pour la mesure environnementale. Il est organisé en trois axes: i) les réseaux de capteurs fixes pour la surveillance de la qualité de l'air en villes et sur sites industriels; ii) la mesure citoyenne participative de la qualité de l'air et des îlots de chaleur urbains; et iii) les réseaux de drones pour la surveillance de phénomènes hautement dynamiques. Le fil conducteur commun de nos solutions est qu'elles tiennent compte à la fois de la compréhension des phénomènes physiques et des caractéristiques des capteurs à faible coût, telles que l'exactitude limitée et hétérogène des mesures.Dans le premier axe, que je présente en trois chapitres, nous avons progressivement abordé trois cas d'usage: la détection de dépassement de seuil de pollution, la cartographie de la qualité de l'air par interpolation et la cartographie de la qualité de l'air par assimilation des données dans des simulations physiques. Pour ces trois applications, nous avons proposé des modèles efficaces pour optimiser le placement des capteurs à bas coût et l'ordonnancement des activités de capteurs. Nos modèles peuvent être considérés sous deux angles : i) minimiser le coût de déploiement/ordonnancement sous contraintes de qualité d'estimation/détection souhaitée, ou ii) maximiser la qualité d'estimation/détection sous contraintes de coût de déploiement/ordonnancement. Les principales nouveautés de nos solutions résident dans la prise en compte de la dynamique de dispersion de la pollution et dans la conception de solutions efficaces en termes de temps d'exécution grâce à de nouvelles idées de modélisation et à la proposition d'heuristiques efficaces. Des données réelles provenant des villes de Lyon, Londres et Paris ont été utilisées pour valider et évaluer nos modèles. Au-delà de nos solutions théoriques, nous avons conçu et mis en \oe{}uvre plusieurs plateformes de surveillance de la qualité de l'air. Nos plateformes, intégrant différents types de capteurs à bas coût et utilisant les technologies de communication LoRa et LoRaWAN, ont progressivement gagné en modularité, en flexibilité et en efficacité énergétique. Nous avons mené à bien plusieurs déploiements de ces plateformes dans des zones urbaines ainsi que sur des sites industriels "onshore" et "offshore". Cela nous a permis de valider la faisabilité et l'intérêt de ces technologies tout en tirant des conclusions et des recommandations concernant le déploiement des réseaux de capteurs à bas coût.Dans le deuxième axe, que je présente en deux chapitres, nous nous sommes intéressés à la mesure citoyenne participative tout en considérant à la fois la qualité de l'air et les îlots de chaleur urbains. Nous nous sommes concentrés dans ce document sur deux parties clés: i) la conception de systèmes de mesure adaptés à notre application et ii) l'évaluation de solutions d'analyse spatiale de données collectées par nos systèmes. Sur le premier volet expérimental, nous avons conçu et développé des dispositifs portatifs multi-capteurs. Nous avons également validé les mesures de nos capteurs puis les avons utilisés dans de multiples campagnes de mesures citoyennes dans la ville de Lyon. Sur le deuxième volet d'analyse de données, nous avons d'abord comparé des solutions d'apprentissage automatique pour la cartographie spatiale en nous basant sur les données réelles collectées durant nos campagnes de mesure. En exploitant ces mêmes mesures, nous avons étudié le compromis entre les fréquences de mesures, la consommation d'énergie et la qualité de la cartographie. Afin d'aller plus loin, nous avons proposé une solution générique permettant de comparer et évaluer les performances des méthodes de régression et d'assimilation de données. Notre solution prend en compte les caractéristiques intrinsèques des réseaux de capteurs à bas coût, telles que la densité élevée et l'exactitude limitée et hétérogène des mesures. Dans le troisième axe, que je résume en un chapitre, nous nous sommes intéressés aux réseaux de drones pour la surveillance des panaches de pollution fortement dynamiques. Dans cette optique, nous avons proposé une approche globale qui combine trois éléments en y intégrant une boucle de rétroaction : i) une composante de prédiction spatio-temporelle de concentrations et d'estimation des incertitudes; ii) une composante de planification de trajectoires des drones; et iii) une composante d'ajustement spatial qui exploite les données collectées pour corriger les prédictions de pollution. Dans ce document, nous nous sommes concentrés sur la composante de prédiction spatio-temporelle où nous avons proposé une architecture d'apprentissage profond tout en y intégrant deux méthodes d'estimation de l'incertitude. Nos premières solutions sont validées en considérant des données réelles et les résultats obtenus ont démontré les bonnes performances de nos modèles. En effet, ces derniers arrivent à capturer de manière efficace l'évolution spatio-temporelle des panaches de pollution sans considérer explicitement les conditions météorologiques. Dans ce même axe, nous avons aussi présenté nos premiers travaux expérimentaux en lien avec la conception et le développement d'un démonstrateur de réseau de drones pour le suivi de panaches de pollution.Je finis ce document par discuter quelques retours personnels. Je dresse aussi des perspectives que je groupe en quatre parties. Le premier groupe de perspectives vise à renforcer le lien entre les modèles physiques et l'optimisation/l'apprentissage automatique à travers différents travaux en cours. Le deuxième groupe vise, quant à lui, d'autres verrous des réseaux de drones pour le suivi de panache, dans le but de finaliser notre approche holistique et de l'implémenter sur le démonstrateur réel. Alors que ces deux groupes de perspectives s'insèrent dans la continuité des travaux précédents, les deux derniers que je souhaite aborder à moyen et long termes s'attaquent à l'efficacité énergétique des modèles d'apprentissage profond et à la fiabilité et la sécurité des données dans les réseaux de capteurs
Contributions to Wireless Sensor Networks for Air Quality Monitoring
No full textIn this manuscript, I provide a summary of the main research work I have carried out over the last ten years. During this period, I have been actively engaged as an associate professor at INSA-Lyon, a member of the CITI laboratory, the INRIA Agora team, and the Telecommunications teaching department.The core focus of my research, as detailed in this manuscript, revolves around the design and evaluation of novel solutions for Wireless Sensor Networks to efficiently monitor physical phenomena. I have addressed several scientific and technical issues by adopting a global methodology combining theoretical solutions and experimental developments. Although our solutions can be easily adapted to different applications, the focus was on air quality monitoring, a major societal challenge where new low-cost sensing technologies offer a significant advantage over traditional solutions.This manuscript focuses on our main contributions in this area of low-cost sensor networks for environmental monitoring. It is structured around three axes: i) static sensor networks for air quality monitoring in cities and on industrial sites; ii) participatory sensing of air quality and Urban Heat Islands; and iii) UAV fleets for monitoring highly dynamic phenomena. The common thread running through all our solutions is that they take into account both the physical domain knowledge and the characteristics of low-cost sensors such as the limited and heterogeneous measurement accuracy. In the first axis, detailed across three chapters, three use cases are progressively addressed: pollution threshold crossing detection, air quality mapping by interpolation, and air quality mapping by Data Assimilation into physical model-based simulations. For these three applications, efficient models for optimizing low-cost sensor placement and scheduling sensor activities have been proposed. Our models can be considered from two perspectives: i) minimizing the deployment/scheduling cost while meeting the constraints of the desired estimation/detection quality, or ii) maximizing the estimation/detection quality under the constraints of the deployment/scheduling cost. The main novelties of our solutions lie in considering the dynamics of pollution dispersion and in designing efficient solutions in terms of execution time. This is achieved through the introduction of new modeling ideas and the proposal of efficient heuristics. Real-world data from the cities of Lyon, London and Paris were used to validate and evaluate our models. In addition to our theoretical solutions, we have designed and implemented several air quality monitoring platforms. Our systems integrate different types of low-cost sensors and use LoRa and LoRaWAN communication technologies. They have progressively gained in modularity, flexibility, and energy efficiency. We performed multiple deployments in urban areas as well as onshore and offshore industrial sites. This enabled us to assess the feasibility and the benefits of these technologies while deriving real-world scientific findings and drawing multiple engineering insights. \newpageIn the second axis, which I present in two chapters, we delved into participatory citizen sensing, considering both air quality and Urban Heat Islands. In this manuscript, we focus on two key aspects: i) the design of measurement systems adapted to our application, and ii) the evaluation of solutions for the spatial analysis of data collected by our systems. Regarding the first experimental aspect, we have designed and developed multi-sensor handheld devices. We also validated the measurements of our sensors, which were subsequently used in multiple measurement campaigns in the city of Lyon. On the second aspect of data analysis, we first compared Machine Learning solutions for spatial mapping based on real data collected during our measurement campaigns. Using these same measurements, we studied the trade-off between sensing frequency, energy consumption and mapping quality. To take this a step further, we proposed a generic solution for comparing and evaluating the performance of statistical regression and Data Assimilation methods. Our solution takes into account the intrinsic characteristics of low-cost sensor networks, such as the high density and the limited and heterogeneous accuracy of measurements.In the third axis, which I summarize in one chapter, we focused on UAV fleets for monitoring highly dynamic pollution plumes. To this end, we proposed a global approach that combines three elements with a feedback loop: i) a spatio-temporal concentration prediction and uncertainty estimation component; ii) a UAV path planning component; and iii) a spatial fitting component that exploits collected data to correct pollution predictions. In this manuscript, we focus on the spatio-temporal prediction component, where we propose a Deep Learning architecture while integrating two uncertainty estimation methods. Our first solutions underwent validation using real-world data, showcasing the high performance of our proposed models based on the achieved results. Indeed, our models effectively capture the spatio-temporal evolution of pollution plumes without explicitly considering meteorological conditions. In the same vein, we also presented our initial experimental work on the design and development of a UAV network demonstrator for monitoring pollution plumes.I conclude this manuscript by discussing some personal feedback and setting out some future perspectives, categorized into four parts. The first group of perspectives aims to strengthen the link between physical models and optimization/Machine Learning through various works in progress. The second group addresses other issues related to UAV networks for pollution plume monitoring. The aim is to finalize our holistic approach and implement it on the real demonstrator. While these two groups of perspectives are a continuation of previous work, the last two groups that I hope to address in the medium and long term will tackle the energy efficiency of Deep Learning models, as well as the reliability and security of data in sensor networks.Dans ce document, je présente un résumé des principaux travaux de recherche que j'ai menés au cours des dix dernières années. Durant cette période, j’ai oeuvré comme maître de conférences à l'INSA de Lyon, membre du laboratoire CITI, de l'équipe INRIA Agora et du département d'enseignement Télécommunications.Les travaux présentés dans ce document portent principalement sur la conception et l'évaluation de solutions pour les réseaux de capteurs sans fil, destinés à la surveillance de phénomènes physiques. J'ai traité dans ce cadre différents verrous scientifiques et techniques en adoptant une approche globale combinant des solutions théoriques et des développements expérimentaux. Bien que nos solutions puissent être facilement adaptées à différentes applications, l'accent a été mis sur la surveillance de la qualité de l'air. Ce dernier constitue un enjeu sociétal majeur où les nouvelles technologies de mesure à bas coût offrent un avantage significatif par rapport aux solutions traditionnelles.Ce document se focalise sur nos principales contributions dans ce cadre de réseaux de capteurs à bas coût pour la mesure environnementale. Il est organisé en trois axes: i) les réseaux de capteurs fixes pour la surveillance de la qualité de l'air en villes et sur sites industriels; ii) la mesure citoyenne participative de la qualité de l'air et des îlots de chaleur urbains; et iii) les réseaux de drones pour la surveillance de phénomènes hautement dynamiques. Le fil conducteur commun de nos solutions est qu'elles tiennent compte à la fois de la compréhension des phénomènes physiques et des caractéristiques des capteurs à faible coût, telles que l'exactitude limitée et hétérogène des mesures.Dans le premier axe, que je présente en trois chapitres, nous avons progressivement abordé trois cas d'usage: la détection de dépassement de seuil de pollution, la cartographie de la qualité de l'air par interpolation et la cartographie de la qualité de l'air par assimilation des données dans des simulations physiques. Pour ces trois applications, nous avons proposé des modèles efficaces pour optimiser le placement des capteurs à bas coût et l'ordonnancement des activités de capteurs. Nos modèles peuvent être considérés sous deux angles : i) minimiser le coût de déploiement/ordonnancement sous contraintes de qualité d'estimation/détection souhaitée, ou ii) maximiser la qualité d'estimation/détection sous contraintes de coût de déploiement/ordonnancement. Les principales nouveautés de nos solutions résident dans la prise en compte de la dynamique de dispersion de la pollution et dans la conception de solutions efficaces en termes de temps d'exécution grâce à de nouvelles idées de modélisation et à la proposition d'heuristiques efficaces. Des données réelles provenant des villes de Lyon, Londres et Paris ont été utilisées pour valider et évaluer nos modèles. Au-delà de nos solutions théoriques, nous avons conçu et mis en \oe{}uvre plusieurs plateformes de surveillance de la qualité de l'air. Nos plateformes, intégrant différents types de capteurs à bas coût et utilisant les technologies de communication LoRa et LoRaWAN, ont progressivement gagné en modularité, en flexibilité et en efficacité énergétique. Nous avons mené à bien plusieurs déploiements de ces plateformes dans des zones urbaines ainsi que sur des sites industriels "onshore" et "offshore". Cela nous a permis de valider la faisabilité et l'intérêt de ces technologies tout en tirant des conclusions et des recommandations concernant le déploiement des réseaux de capteurs à bas coût.Dans le deuxième axe, que je présente en deux chapitres, nous nous sommes intéressés à la mesure citoyenne participative tout en considérant à la fois la qualité de l'air et les îlots de chaleur urbains. Nous nous sommes concentrés dans ce document sur deux parties clés: i) la conception de systèmes de mesure adaptés à notre application et ii) l'évaluation de solutions d'analyse spatiale de données collectées par nos systèmes. Sur le premier volet expérimental, nous avons conçu et développé des dispositifs portatifs multi-capteurs. Nous avons également validé les mesures de nos capteurs puis les avons utilisés dans de multiples campagnes de mesures citoyennes dans la ville de Lyon. Sur le deuxième volet d'analyse de données, nous avons d'abord comparé des solutions d'apprentissage automatique pour la cartographie spatiale en nous basant sur les données réelles collectées durant nos campagnes de mesure. En exploitant ces mêmes mesures, nous avons étudié le compromis entre les fréquences de mesures, la consommation d'énergie et la qualité de la cartographie. Afin d'aller plus loin, nous avons proposé une solution générique permettant de comparer et évaluer les performances des méthodes de régression et d'assimilation de données. Notre solution prend en compte les caractéristiques intrinsèques des réseaux de capteurs à bas coût, telles que la densité élevée et l'exactitude limitée et hétérogène des mesures. Dans le troisième axe, que je résume en un chapitre, nous nous sommes intéressés aux réseaux de drones pour la surveillance des panaches de pollution fortement dynamiques. Dans cette optique, nous avons proposé une approche globale qui combine trois éléments en y intégrant une boucle de rétroaction : i) une composante de prédiction spatio-temporelle de concentrations et d'estimation des incertitudes; ii) une composante de planification de trajectoires des drones; et iii) une composante d'ajustement spatial qui exploite les données collectées pour corriger les prédictions de pollution. Dans ce document, nous nous sommes concentrés sur la composante de prédiction spatio-temporelle où nous avons proposé une architecture d'apprentissage profond tout en y intégrant deux méthodes d'estimation de l'incertitude. Nos premières solutions sont validées en considérant des données réelles et les résultats obtenus ont démontré les bonnes performances de nos modèles. En effet, ces derniers arrivent à capturer de manière efficace l'évolution spatio-temporelle des panaches de pollution sans considérer explicitement les conditions météorologiques. Dans ce même axe, nous avons aussi présenté nos premiers travaux expérimentaux en lien avec la conception et le développement d'un démonstrateur de réseau de drones pour le suivi de panaches de pollution.Je finis ce document par discuter quelques retours personnels. Je dresse aussi des perspectives que je groupe en quatre parties. Le premier groupe de perspectives vise à renforcer le lien entre les modèles physiques et l'optimisation/l'apprentissage automatique à travers différents travaux en cours. Le deuxième groupe vise, quant à lui, d'autres verrous des réseaux de drones pour le suivi de panache, dans le but de finaliser notre approche holistique et de l'implémenter sur le démonstrateur réel. Alors que ces deux groupes de perspectives s'insèrent dans la continuité des travaux précédents, les deux derniers que je souhaite aborder à moyen et long termes s'attaquent à l'efficacité énergétique des modèles d'apprentissage profond et à la fiabilité et la sécurité des données dans les réseaux de capteurs
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
