CorrelTemp - Correction des températures | FEREC 2020

4/23 1.1 Méthode de correction de l’effet de la température Figure 1. : Organisation de la méthodologie de correction de l’effet de la température Notre méthodologie a pour objectif d’identifier et d’extraire l’effet de la température sur les mesures d'auscultation. Un diagramme de son organisation est présenté en Figure 1. La méthodologie utilise deux signaux d’entrée : un signal « brut » ( ) correspondant à la mesure d’auscultation, biaisé par la température, et un signal correspondant à la température de l’air observée proche du capteur d’auscultation. Ces signaux sont tout d’abord segmentés par l’utilisateur en deux périodes de temps successives : une partie dite de “référence”, que l’on assumera non - ou faiblement - biaisée (par exemple la première année des données), et une partie “biaisée” (par exemple les données des années suivantes). En utilisant les données de la période de “référence”, nous entraînons un modèle représentant le signal brut à partir du signal de température. Cela permet de modéliser l’effet direct de la température sur le signal brut et de l’extraire sous la forme d’une fonction de biais ( ) . A condition que ce modèle soit suffisamment réaliste, il est donc possible de calculer un signal corrigé, et donc sans l’influence de la température par la formule : y(t) = s(t) − X(t) Ce signal corrigé peut ensuite subir d’autres traitements additionnels, comme un recentrage (pour faciliter la comparaison avec le signal “brut”), un filtrage (pour ne voir que les effets sur le long terme), etc. La principale difficulté rencontrée dans l’application de cette méthodologie est donc de trouver un bon modèle ( , ) . Dans les sections suivantes, nous testerons et comparerons donc des modèles de plusieurs familles différentes. La Table 1 liste les différents modèles étudiés. Nous évaluerons les résultats de ces modèles à partir de leur coefficient de détermination (couramment appelé « le score de 2 ») qui est une valeur entre 0 et 1 mesurant la qualité des prédictions du modèle par rapport aux signaux bruts -- un score plus élevé correspondant à des prédictions plus précises.