Les Modèles de Chimie-Transport (CTM) simulent aujourd'hui de façon assez réaliste les concentrations des espèces responsables de la pollution photochimique estivale. Cependant, la complexité des phénomènes mis en jeu et la variabilité spatiale et temporelle des émissions de polluants sont telles que, quel que soit le modèle utilisé, il est impossible de reproduire parfaitement ces concentrations. Lorsqu'un paramètre interne ou d'entrée du modèle est mal décrit une erreur importante peut etre observée certains jours. Le modèle CHIMERE est un CTM couvrant la majeur partie de l'Europe avec une résolution d'une cinquantaine de kilomètres. Il offre la possibilité de zoomer et de simuler de façon plus détaillée les concentrations des polluants sur des régions clefs, telles que l'Ile-de-France et la région de Berre et de Marseille.<br /><br />Les simulations de ce modèle ont été compaés avec des observations de surface et des données aéroportées de la campagne d'Etude et Simulation de la QUalité de l'Air en Ile-de-France (ESQUIF) à l'échelle européenne et régionale. Cette comparaison a permis ainsi de quantifier l'erreur globale commise sur les concentrations d'ozone et de son précurseur, le dioxyde d'azote. Différentes méthodes (Interpolation Statistique, Krigeage) ont été testées et adaptées au cas de la pollution dans le but de corriger cette erreur. Elles ont été comparées et validées de manière objective. Il a été montré que la combinaison des observations de surface et des simulations du modèle permet d'obtenir efficacement des cartes tridimensionnelles (i.e. des analyses) de concentration des deux polluants, plus réalistes que les simulations brutes.<br /><br />Les expériences menées depuis trois ans dans le cadre du projet PIONEER (Prévisibilité et Incertitude de l'Ozone à l'échelle Européenne et Régionale) montrent que l'erreur de prévision peut éventuellement se propager d'une région vers une autre. Les analyses des concentrations d'ozone, produites à l'échelle européenne ont été également utilisées pour réinitialiser le modèle de prévision. L'objectif était alors de savoir s'il est possible d'améliorer aussi les prévisions à court termes en utilisant de meilleurs états initiaux que les prévisions de la veille.

Le suivi visuel d’objet est une fonction élémentaire de la vision par ordinateur ayant fait l’objet de nombreux travaux. La dérive au cours du temps est l'un des phénomènes les plus critiques à maîtriser, car elle aboutit à la perte définitive de la cible suivie. Malgré les nombreuses approches proposées dans la littérature pour contrer ce phénomène, aucune ne surpasse une autre en terme de robustesse face aux diverses sources de perturbations visuelles : variation d'illumination, occultation, mouvement brusque de caméra, changement d'aspect. L’objectif de cette thèse est d’exploiter la complémentarité d’un ensemble d'algorithmes de suivi, « trackers », en développant des stratégies de fusion en ligne capables de les combiner génériquement. La chaîne de fusion proposée a consisté à sélectionner les trackers à partir d'indicateurs de bon fonctionnement, à combiner leurs sorties et à les corriger. La prédiction en ligne de dérive a été étudiée comme un élément clé du mécanisme de sélection. Plusieurs méthodes sont proposées pour chacune des étapes de la chaîne, donnant lieu à 46 configurations de fusion possibles. Évaluées sur 3 bases de données, l’étude a mis en évidence plusieurs résultats principaux : une sélection performante améliore considérablement la robustesse de suivi ; une correction de mise à jour est préférable à une réinitialisation ; il est plus avantageux de combiner un petit nombre de trackers complémentaires et de performances homogènes qu'un grand nombre ; la robustesse de fusion d’un petit nombre de trackers est corrélée à la mesure d’incomplétude, ce qui permet de sélectionner la combinaison de trackers adaptée à un contexte applicatif donné. / Visual object tracking is an elementary function of computer vision that has been the subject of numerous studies. Drift over time is one of the most critical phenomena to master because it leads to the permanent loss of the target being tracked. Despite the numerous approaches proposed in the literature to counter this phenomenon, none outperforms another in terms of robustness to the various sources of visual perturbations: variation of illumination, occlusion, sudden movement of camera, change of aspect. The objective of this thesis is to exploit the complementarity of a set of tracking algorithms by developing on-line fusion strategies capable of combining them generically. The proposed fusion chain consists of selecting the trackers from indicators of good functioning, combining their outputs and correcting them. On-line drift prediction was studied as a key element of the selection mechanism. Several methods are proposed for each step of the chain, giving rise to 46 possible fusion configurations. Evaluated on 3 databases, the study highlighted several key findings: effective selection greatly improves robustness; The correction improves the robustness but is sensitive to bad selection, making updating preferable to reinitialization; It is more advantageous to combine a small number of complementary trackers with homogeneous performances than a large number; The robustness of fusion of a small number of trackers is correlated to the incompleteness measure, which makes it possible to select the appropriate combination of trackers to a given application context.