Développement de méthodes chimiométriques pour le traitement des données massives - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Development of chemometric methods for the processing of massive data

Développement de méthodes chimiométriques pour le traitement des données massives

Résumé

Chemical data analysis, also known as chemometrics, is widely used in agronomy to address various issues such as soil, forage or phenotyping studies. Today, a large amount of data can be generated and chemometricians must be able to analyse them. However, their usual tools are not able to process this amount of data efficiently. Tools originated from big data field have been developed to process large databases but have not yet been evaluated for chemometrics. The objective of this thesis is therefore to study massive data processing for chemometrics. To this end, three research axis were investigated. The first research axis is to study how to enable massive data processing by local methods. Local methods calibrate a model per individual to be predicted on its nearest neighbours. The second research axis is to study the relevance of an individual within a local model. The third research axis consists in combining the ideas developed in the first two axis to propose efficient methods for chemometrics. To address the first research focus, a new method called parSketch-PLS was studied and developed. To address the second focus, a method called RoBoost-PLSR was developed. To address the third focus, two premise methods were proposed. The results associated with these developments highlighted the interest in adapting massive data processing tools to chemometrics. Indeed, tools used for massive data processing do not necessarily rely on the same knowledge as tools developed for chemometrics. This can degrade the predictive capacity of chemometrics. This thesis therefore highlights the interest in bringing these two fields together in order to propose a set of methods and tools for processing massive chemical data.
L'analyse des données chimiques, communément appelée chimiométrie, est utilisée en agronomie pour répondre à diverses questions telles que l'étude des sols, des fourrages ou le phénotypage. Aujourd'hui, une grande quantité de données peut être générée et les chimiométriciens doivent être capables de les analyser. Les outils habituels ne sont pas encore capables de traiter efficacement ces données. Des outils dans le domaine du big-data ont été développés afin de permettre de traiter des bases de données volumineuses. Ces outils n'ont pas encore été évalués pour la chimiométrie. L'objectif de cette thèse est donc d'étudier le traitement de données massives pour la chimiométrie. Pour ce faire, trois axes de recherche ont été étudiés. Le premier axe de recherche consiste à étudier comment permettre le traitement de données massives par des méthodes locales. Les méthodes locales calibrent un modèle par individu à prédire sur ses plus proches voisins. Le deuxième axe de recherche consiste à étudier la pertinence d'un individu au sein d'un modèle local. Le troisième axe consiste à combiner les idées développées dans les deux premiers axes pour rendre les méthodes performantes pour la chimiométrie. Pour répondre au premier axe, une nouvelle méthode nommée parSketch-PLS a été étudiée et développée. Pour aborder le deuxième axe, une méthode appelée RoBoost-PLSR a été développée. Pour étudier le troisième axe, deux prémices de méthodes ont été proposées. Les résultats associés à ces développements ont mis en évidence l'intérêt d'adapter les outils de traitement de données massives à la chimiométrie. En effet, les outils utilisés pour le traitement des données massives ne reposent pas forcément sur les mêmes connaissances que les outils développés pour la chimiométrie. Cela peut donc conduire à une diminution de la capacité prédictive des méthodes chimiométriques. Cette thèse met donc en avant l'intérêt de rapprocher ces deux domaines afin de proposer un ensemble de méthodes et d'outils de traitement de données massives chimique.
Fichier principal
Vignette du fichier
21-0034_Metz.pdf (35.89 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04054387 , version 1 (31-03-2023)

Identifiants

  • HAL Id : tel-04054387 , version 1

Citer

Maxime Metz. Développement de méthodes chimiométriques pour le traitement des données massives. Génie des procédés. Montpellier SupAgro, 2021. Français. ⟨NNT : 2021NSAM0034⟩. ⟨tel-04054387⟩
56 Consultations
28 Téléchargements

Partager

Gmail Facebook X LinkedIn More