Classification de séries temporelles hétérogènes pour le suivi de l'état des cours d'eau
Résumé
This article is about a collaborative process and tools we have built to adapt a clustering method for analysing temporal sequences of physico-chemical measurements done on river streams. These data are characterised by sampling variability and a great number of parame- ters, that are monitored in different ways. The dataset is thus heterogeneous and incomplete. A subset of about 300 sequences was selected and analysed with a specific clustering method for temporal data. Results are presented and commented, through adapted visualisations.
Dans cet article, nous présentons le processus collaboratif mis en place entre des thématiciens hydroécologues et des informaticiens. Il s'agissait d'adapter une méthode de clustering à l'analyse de séquences temporelles constituées d'une suite de mesures physico-chimiques effectuées sur des cours d'eau. Les données sont caractérisées par la variabilité de l'échantillonnage et le grand nombre de paramètres diversement suivis, ce qui génère hétérogénéité et incomplétude. Une sélection a été opérée pour construire un jeu de données réduit, comportant environ 300 séquences, sur lesquelles nous avons appliqué une méthode de clustering spécifique aux données temporelles. Nous illustrons et commentons les résultats obtenus au travers de visualisations adaptées.
Domaines
Intelligence artificielle [cs.AI]
Origine : Fichiers produits par l'(les) auteur(s)