Contributions au post-traitement statistique des prévisions probabilistes et à l'apprentissage statistique pour la régression distributionnelle

par Clément Dombry

vendredi 3 oct. 2025, 11:30 → 12:30 Europe/Paris

Fokko du Cloux (La doua)

Dans un contexte de prédiction où la quantification de l’incertitude est essentielle, la régression distributionnelle permet d’estimer la loi de probabilité d’une variable d’intérêt conditionnellement à des covariables observées. La météorologie a largement contribué au développement de ces méthodes, en s’appuyant sur des exécutions multiples de modèles numériques produisant des prévisions d’ensemble, interprétées comme des lois prédictives. Ces modèles, de nature déterministe, présentent souvent des erreurs systématiques (biais ou sous-dispersion) et nécessitent un post-traitement statistique. Divers modèles ont été développés dans ce cadre, allant de méthodes statistiques classiques (EMOS, régression distributionnelle isotone) à des approches issues de l’apprentissage automatique (forêts distributionnelles, réseaux de neurones). L’ajustement de ces modèles repose généralement sur la minimisation de règles de score propres, en particulier le Continuous Ranked Probability Score (CRPS), qui évalue la concordance entre la distribution prédictive et l’observation réalisée.

Dans cet exposé, nous proposerons un panorama de plusieurs travaux collaboratifs menés autour de ces thématiques, incluant des contributions en apprentissage statistique et dans la compréhension des règles de score utilisées comme fonctions de perte, ainsi que des développements méthodologiques et applicatifs en post-traitement des prévisions météorologiques et en aide à la décision pour le diagnostic médical.