Résumé
Étant donné la topographie unique de Quito, il est difficile de prédire les changements climatiques dans cette ville. Cette thèse se concentre sur l'étude de données météorologiques, en particulier pour la ville de Quito. Pour atteindre cet objectif, des micro stations météorologiques automatiques (SMA) ont été installées sur des sites d'intérêt et les données ont été collectées sur un serveur FTP dans le Cloud en utilisant le réseau cellulaire disponible. L'objectif de cette étude est de prédire les paramètres environnementaux tout en identifiant les erreurs de mesure afin de fournir un ajustement de la calibration des stations pour corriger ces erreurs. Nous avons développé et analysé quatre modèles différents pour obtenir des prévisions fiables : un modèle ARIMA (autoregression intégrée à moyenne mobile), un modèle LSTM (mémoire à court et long terme), un modèle LSTM empilé et un modèle LSTM convolutif avec une réduction des erreurs d'incertitude. Pour détecter les erreurs dans les micro-stations météorologiques automatiques, nous utilisons des séries temporelles provenant de deux stations fortement corrélées avec la station en cours d'analyse pour obtenir une prévision du paramètre mesuré (température dans nos expériences) sur 24 heures. Cela nous permet de déterminer si la station en cours d'analyse enregistre des mesures erronées. Pour détecter les erreurs de mesure, une comparaison est effectuée de manière itérative avec les informations de chaque micro-station en fonction de ses stations voisines. La différence entre les coefficients de corrélation initiaux et ceux acquis au temps t est calculée. Si cette différence dépasse un certain seuil, l'algorithme signale une erreur et lance le calcul d'ajustement de cette erreur en se basant sur la prévision calculée pour cette station. Finalement, nous fournissons les paramètres de l'équation de calibration du capteur de la station en utilisant l'ajustement proposé. Pour mener cette étude, nous avons utilisé différentes techniques, notamment le calcul de coefficients de corrélation, l'utilisation d'un réseau de neurones multicouche, la conception d'une nouvelle version de l'optimiseur ADAM et une stratégie de réduction de l'incertitude basée sur une approche bayésienne.