[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-968106","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Me\u0301thodes de statistiques avance\u0301es pour le climat\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          3\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemester:\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ELecture:\u003C\/span\u003E\n                                      \u003Cspan\u003E15\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003EPractical study :\u003C\/span\u003E\n                                      \u003Cspan\u003E0\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003EDirected study:\u003C\/span\u003E\n                                      \u003Cspan\u003E12\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                            \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EStatistique descriptive \u0026amp; statistique inf\u00e9rentielle\u003Cbr\u003E\nAlg\u00e8bre lin\u00e9aire\u003Cbr\u003E\nProgrammation R, Python\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u2019UE d\u00e9butera par une s\u00e9ance de pr\u00e9sentation g\u00e9n\u00e9rale des grandes probl\u00e9matiques et m\u00e9thodes actuelles en climatologie statistique : probl\u00e8mes inverses (1h30) et apprentissage statistique (machine learning) (1h30)\u0026nbsp;\u003Cbr\u003E\nEnsuite 4 s\u00e9ances sont d\u00e9di\u00e9es \u00e0 l\u0027apprentissage statistique (Machine Learning) et 4 autres s\u00e9ances aux probl\u00e8mes inverses. Pour chacune des th\u00e9matiques abord\u00e9es, le cours comportera une partie th\u00e9orique avec des cours magistraux et des TDs\/TPs pour prendre en main les notions et les outils principaux.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EComprendre les probl\u00e9matiques actuelles en climatologie statistique.\u003C\/li\u003E\n\u003Cli\u003E\u00catre capable de restituer les principes des m\u00e9thodes statistiques abord\u00e9es en cours.\u003C\/li\u003E\n\u003Cli\u003ESavoir \u00e9valuer la pertinence et les performances des m\u00e9thodes statistiques en fonction d\u2019une probl\u00e9matique donn\u00e9e.\u003Cbr\u003E\n\u00c0 l\u2019issue de cette unit\u00e9 d\u2019enseignement, les \u00e9tudiant(e)s seront capables de :\u003C\/li\u003E\n\u003Cli\u003EExpliquer les principales m\u00e9thodes de climatologie statistique vue en cours\u003C\/li\u003E\n\u003Cli\u003ELes appliquer sur des cas simples\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EOrganisation g\u00e9n\u00e9rale et modalit\u00e9s p\u00e9dagogiques\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ECette unit\u00e9 d\u2019enseignement de 3 ECTS pr\u00e9sentera des d\u00e9veloppements r\u00e9cents dans la recherche en climatologie statistique. \u0026nbsp;Un panorama g\u00e9n\u00e9ral des applications de la statistique en sciences du climat sera dress\u00e9 avant de d\u00e9tailler plus sp\u00e9cifiquement deux axes : les probl\u00e8mes inverses pour l\u2019estimation des \u00e9missions anthropiques de gaz \u00e0 effet de serre et de polluants et les approches d\u2019apprentissage statistique pour l\u2019\u00e9tude du climat : attribution des \u00e9v\u00e9nements extr\u00eames et compos\u00e9s, la simulation d\u2019\u00e9v\u00e8nements extr\u00eames par g\u00e9n\u00e9rateur de temps stochastiques ou par \u00e9chantillonnage pr\u00e9f\u00e9rentiel, la descente d\u2019\u00e9chelle statistique et\/ou la correction de biais des simulations climatiques. \u0026nbsp;Nous pr\u00e9senterons les fondements th\u00e9oriques (e.g., probl\u00e8mes inverses, th\u00e9orie des valeurs extr\u00eames, statistiques multivari\u00e9es) sur lesquels reposent ces th\u00e8mes de recherches. Cette UE sera associ\u00e9e \u00e0 l\u2019UE de projet num\u00e9rique pour le climat qui en sera une application pour appliquer les concepts et outils abord\u00e9s ici\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EBibliographie\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EColes, S. (2001). An introduction to statistical modeling of extreme values. Springer London.\u003C\/li\u003E\n\u003Cli\u003EFran\u00e7ois, B., Vrac, M., Cannon, A. J., Robin, Y., \u0026amp; Allard, D. (2020). Multivariate bias corrections of climate simulations: which benefits for which losses? In Earth System Dynamics (Vol. 11, Issue 2, pp. 537\u2013562). Copernicus GmbH. https:\/\/doi.org\/10.5194\/esd-11-537-2020\u003C\/li\u003E\n\u003Cli\u003EPhilip, S., Kew, S., van Oldenborgh, G. J., Otto, F., Vautard, R., van der Wiel, K., King, A., Lott, F., Arrighi, J., Singh, R., \u0026amp; van Aalst, M. (2020). A protocol for probabilistic extreme event attribution analyses. Advances in Statistical Climatology Meteorology and Oceanography, 6(2), 177\u2013203. https:\/\/doi.org\/10.5194\/ascmo-6-177-2020\u003C\/li\u003E\n\u003Cli\u003EChevallier, F., Breon, F. M., and Rayner, P. J.: Contribution of the Orbiting Carbon Observatory to the estimation of CO2 sources and sinks: Theoretical study in a variational data assimilation framework, Journal of Geophysical Research-Atmospheres, 112, -, 2007, 168AO\u003C\/li\u003E\n\u003Cli\u003ERodgers, C. D.: Inverse methods for atmospheric sounding : theory and practice, Atmospheric, oceanic and planetary physics, edited by: scientific, W., Singapore, London, 240pp pp., 2000.\u003C\/li\u003E\n\u003Cli\u003Eide, K., Courtier, P., Ghil, M., and Lorenc, A.: Unified notation for data assimilation: operational, sequential and variational, Journal of meteorol. Soc. Jpn., 75, 181-189, 1997.\u003C\/li\u003E\n\u003Cli\u003ETarantola, A.: Inverse problem theory, edited by: Elsevier, Amsterdam, The Netherlands, 1987.\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue non Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]