Conférenciers invités

David Makowski (MIA Paris Saclay) : https://mia-ps.inrae.fr/david-makowski

Titre: Utilisation des valeurs de Shapley pour analyser l’effet du changement climatique sur les rendements agricoles

 Résumé:

De nombreux modèles mathématiques ont été utilisés pour simuler les effets du changement climatique sur la production agricole. Pendant longtemps, la plupart de ces modèles étaient de type « process-based » ; ces modèles simulaient le développement des cultures au cours du temps de manière dynamique, en se basant sur des équations décrivant les processus biophysiques sous-jacents. Ils incluaient de nombreux paramètres, difficiles à estimer, et ont été remis en cause dans les années 2000 du fait de leurs faibles niveaux de fiabilité. Depuis environ une dizaine d’années, les modèles de type « machine learning » ont gagné en popularité dans ce domaine et sont dorénavant souvent utilisés pour simuler les effets du changement climatique sur de nombreuses cultures jouant un rôle majeur dans la sécurité alimentaire mondiale, comme le riz, le blé, le maïs ou le soja. Initialement utilisé pour prédire les rendements des cultures, le machine learning est maintenant perçu comme un outil permettant d’identifier les évènements climatiques ayant un fort impact potentiel sur les rendements. Dans ce contexte, les valeurs de Shapley dérivées des modèles de machine learning ont été récemment utilisées pour déterminer les conditions climatiques susceptibles de conduire à des chocs de production majeurs, pouvant générer des problèmes d’insécurité alimentaire.  Dans cette présentation, je décris plusieurs applications agronomiques basées sur les valeurs de Shapley et je discute des avantages et inconvénients de cette approche.

Bertrand Iooss (EDF, R&D Chatou, France) https://biooss1.wixsite.com/bertrand

Titre : Global sensitivity analysis of model outputs with dependent inputs: some methods and practical aspects

Résumé :

In uncertainty quantification of numerical models and investigation of experimental data, the importance measures (or sensitivity indices) aim to quantify the influence of the model inputs on its outputs. For example, in environmental pollution impact calculation studies, sensitivity analysis allows to determine which physical parameters and environmental data have the most influence on the variability of the calculated pollutant concentration. Beyond the variance-based sensitivity indices (also known as the Sobol’ indices) whose interpretation is restricted by a mutual independence assumption between the model inputs, the Shapley effects, based on cooperative game theory concepts, have recently aroused great interest among users eager for the interpretability of numerical models (computer codes or machine learning models). This talk will be focused on the practical use of Shapley effects for global sensitivity analysis of model outputs. In particular, the statistical estimation techniques and the algorithmic implementations in the sensitivity package of R will be discussed. Moreover, one potential undesirable effect of the particular allocation induced by Shapley effects will be highlighted, while proposing another allocation choice.

Noé Fellmann^1,2, Céline Helbert¹ , Christophette Blanchet¹, Adrien Spagnol² , Delphine Sinoquet²

¹ Ecole Centrale de Lyon

² IFP Energies nouvelles

Titre : Sensitivity analysis of pollutant concentration maps

Résumé :

In the context of air quality control, we are interested in measuring the influence of uncertain inputs on maps of pollutant dispersion. Through sensitivity analysis methods, we aim at quantifying the influence of five inputs of a meta-model of the pollutant concentration maps in the urban area of Issy-Les-Moulineaux [5]. However, most sensitivity analysis methods deal with scalar or
vectorial outputs. A map-valued output space makes the adaptation of classical sensitivity analysis methods nontrivial. Two approaches are proposed. A first one is pointwise. It consists in computing Sobol indices at each position of the maps to obtain Sobol indices maps. Aggregated Sobol indices are also computed [3]. A second one consists in seeing the maps as sets and proposes to carry out sensitivity analysis of set-valued output. Three different types of sensitivity indices are proposed. The first ones use kernel-based sensitivity indices adapted to sets [1]. The second ones are inspired from Sobol indices but are adapted
to sets relying on random sets theory [4]. The last ones adapt universal indices which are initially defined for general metric output space [2].

[1] Noé Fellmann, Christophette Blanchet-Scalliet, Céline Helbert, Adrien Spagnol et Delphine Sinoquet. Kernel-based sensitivity analysis for (excursion) sets. 2023. arXiv : 2305.09268 [math.ST].
[2] Jean-Claude Fort, Thierry Klein et Agnès Lagnoux. “Global Sensitivity Analysis and Wasserstein Spaces”. In : SIAM/ASA Journal on Uncertainty Quantification 9.2 (2021), p. 880-921. doi : 10.1137/20M1354957
[3] Fabrice Gamboa, Alexandre Janon, Thierry Klein et Agnès Lagnoux. Sensitivity analysis for multidimensional and functional outputs. 2013. arXiv :1311.1797 [stat.AP].
[4] Ilya Molchanov. “Random Closed Sets and Capacity Functionals”. In : Theory of Random Sets. Sous la dir. d’Ilya Molchanov. Probability Theory and Stochastic Modelling. London : Springer, 2017, p. 1-223. doi : 10 . 1007 / 978 - 1 - 4471 - 7349 - 6 _ 1.
[5] Mathis Pasquier, Stéphane Jay, Jérôme Jacob et Pierre Sagaut. “A Lattice-Boltzmann-based modelling chain for traffic-related atmospheric pollutant dispersion at the local urban scale”. In : Building and Environment 242 (2023), p. 110562. issn : 0360-1323.