La modélisation probabiliste des événements climatiques et environnementaux doit prendre en compte leur nature spatiale. Cette thèse porte sur l’étude de mesures de risque pour des processus spatiaux. Dans une première partie, nous introduisons des mesures de risque à même de prendre en compte la structure de dépendance des processus spatiaux sous-jacents pour traiter de données environnementales. Une deuxième partie est consacrée à l’estimation des paramètres de processus de type max-mélange. La première partie de la thèse est dédiée aux mesures de risque. Nous étendons les travaux réalisés dans [44] d’une part à des processus gaussiens, d’autre part à d’autres processus max-stables et à des processus max-mélange, d’autres structures de dépendance sont ainsi considérées. Les mesures de risque considérées sont basées sur la moyenne L(A,D) de pertes ou de dommages D sur une région d’intérêt A. Nous considérons alors l’espérance et la variance de ces dommages normalisés. Dans un premier temps, nous nous intéressons aux propriétés axiomatiques des mesures de risque, à leur calcul et à leur comportement asymptotique (lorsque la taille de la région A tend vers l’infini). Nous calculons les mesures de risque dans différents cas. Pour un processus gaussien, X, on considère la fonction d’excès : D+ X,u = (X−u)+ où u est un seuil fixé. Pour des processus max-stables et max-mélange X, on considère la fonction puissance : DνX = Xν. Dans certains cas, des formules semi-explicites pour les mesures de risque correspondantes sont données. Une étude sur simulations permet de tester le comportement des mesures de risque par rapport aux nombreux paramètres en jeu et aux différentes formes de noyau de corrélation. Nous évaluons aussi la performance calculatoire des différentes méthodes proposées. Celle-ci est satisfaisante. Enfin, nous avons utilisé une étude précédente sur des données de pollution dans le Piémont italien, celle-ci peuvent être considérées comme gaussiennes. Nous étudions la mesure de risque associée au seuil légal de pollution donnée par la directive européenne 2008/50/EC. Dans une deuxième partie, nous proposons une procédure d’estimation des paramètres d’un processus max-mélange, alternative à la méthode d’estimation par maximum de vraisemblance composite. Cette méthode plus classique d’estimation par maximum de vraisemblance composite est surtout performante pour estimer les paramètres de la partie max-stable du mélange (et moins performante pour estimer les paramètres de la partie asymptotiquement indépendante). Nous proposons une méthode de moindres carrés basée sur le F-madogramme : minimisation de l’écart quadratique entre le F-madogramme théorique et le F-madogramme empirique. Cette méthode est évaluée par simulation et comparée à la méthode par maximum de vraisemblance composite. Les simulations indiquent que la méthode par moindres carrés du F-madogramme est plus performante pour estimer les paramètres de la partie asymptotiquement indépendante / When dealing with environmental or climatic changes, a natural spatial dependence aspect appears. This thesis is dedicated to the study of risk measures in this spatial context. In the first part (Chapters 3 and 4), we study risk measures, which include the natural spatial dependence structure in order to assess the risks due to extreme environmental events and in the last part (Chapter 5), we propose estimation procedures for underlying processes, such as isotropic and stationary max-mixture processes. In the first part dedicated to risk measures, we extended the work in [44] in order to obtain spatial risk measures for various spatial processes and different dependence structures. We based these risk measures on the mean losses over a region A of interest. Risk measures are then defined as the expectation E[L(A,D)] and variance Var(L(A,D)) of the normalized loss. In the study of these measures, we focused on the axiomatic properties of asymptotic behavior (as the size of the region interest goes to infinity) and on computational aspects. We calculated two risk measures: risk measure for the gaussian process based on the damage function called access damage D+ X,u and risk measure for extreme processes based on the power damage function DνX . In simulation study and for each risk measure provided, we emphasized the theoretical results of asymptotic behavior by various parameters of a model and different Kernels for the correlation function. We also evaluated the performance of these risk measures. The results were encouraging. Finally, we implemented the risk measure corresponding to gaussian on the real data of pollution in Piemonte, Italy. We assessed the risks associated with this pollution when an excess of it was over the legal level determined by the European directive 2008/50/EC. With respect to estimation, we proposed a semi-parametric estimation procedure in order to estimate the parameters of a max-mixture model and also of a max-stable model ( inverse max-stable model) as an alternative to composite likelihood. A good estimation by the proposed estimator required the dependence measure to detect all dependence structures in the model, especially when dealing with the max-mixture model. We overcame this challenge by using the F-madogram. The semi-parametric estimation was then based on a quasi least square method, by minimizing the square difference between the theoretical F-madogram and an empirical one. We evaluated the performance of this estimator through a simulation study. It was shown that on a mean, the estimation is performed well, although in some cases, it encountered some difficulties

Les extrêmes neigeux sont parmi les risques naturels les plus dangereux dans les régions montagneuses. Les processus max-stables, qui relient statistique des valeurs extrêmes et géostatistique, offrent un cadre approprié pour les étudier. Deux questions importantes concernant la dépendance spatiale des extrêmes sont traitées dans cette thèse à travers les cas des chutes et des hauteurs de neige dans les Alpes françaises : la sélection de modèle et la non-stationnarité temporelle. Nous utilisons pour cela deux jeux de données de maxima hivernaux de chutes de neige (90 stations de 1958 à 2013) et de hauteurs de neige (82 stations de 1970 à 2013). Nous décrivons d'abord une procédure de validation-croisée appropriée pour évaluer les capacités des processus max-stables à capturer la structure de dépendance des extrêmes spatiaux. Nous mettons en exergue trois processus max-stables pour leur aptitude à modéliser la dépendance spatiale des chutes de neige extrêmes : les processus de Brown-Resnick, géométrique gaussien et extrémal-t. Les performances de ces trois modèles sont extrêmement similaires, quel que soit le nombre de stations ou d'années. Ensuite, nous présentons une approche par fenêtre glissante pour évaluer l'évolution temporelle de la dépendance des extrêmes spatiaux. Nous montrons ainsi que les chutes de neige extrêmes ont tendance à être de moins en moins dépendantes spatialement. Nous montrons que cela est dû à une augmentation de la température provoquant une baisse du ratio neige/pluie. Il existe aussi un effet d'intensité avec des extrêmes moins dépendants à cause d'une baisse du cumul hivernal de chutes de neige. Enfin, nous présentons la première utilisation de processus max-stables avec des tendances temporelles dans la structure de dépendance spatiale. Cette approche est appliquée aux maxima de hauteurs de neige modélisés par un processus de Brown-Resnick. Nous montrons que leur dépendance spatiale est impactée par le changement climatique d'une manière similaire que celle des chutes de neige extrêmes. / Extreme snowfall and extreme snow depths are among the most dangerous hazards in the mountainous regions. Max-stable processes, which connect extreme value statistics and geostatistics by modeling the spatial dependence of extremes, offer a suitable framework to deal with. Two challenging issues concerning spatial dependence of extremes are broached in this thesis through the examples of snowfall and snow depths in the French Alps: model selection and temporal nonstationarity. We process two winter maxima data sets of 3-day snowfall (90 stations from 1958 to 2013) and snow depths (82 stations from 1970 to 2013). First, we introduce a leave-two-out cross-validation procedure appropriate for evaluating the predictive ability of max-stable processes to model the dependence structure of spatial extremes. We compare five of the most commonly used max-stable processes, using as a case study the snowfall maxima data set. This approach allows us to show that the extremal-t, geometric Gaussian and Brown-Resnick processes are able to represent as well the structure of dependence of the data, regardless of the number of stations or years. Then, we show, using a data-based approach allowing to make minimal modeling assumptions, that snowfall extremes tended to become less spatially dependent over time, with the dependence range reduced roughly by half during the study period. We demonstrate that this is attributable at first to the increase in temperature and its major control on the snow/rain partitioning. A magnitude effect, with less dependent extremes due to a decrease in winter cumulated snowfall, also exists. Finally, we tackle the first-ever use of max-stable processes with temporal trends in the spatial dependence structure. This approach is applied to snow depth winter maxima modeled by a Brown-Resnick process. We show that the spatial dependence of extreme snow depths is impacted by climate change in a similar way to that has been observed for extreme snowfall.

La prédiction de futurs évènements extrêmes est d’un grand intérêt dans de nombreux domaines tels que l’environnement ou la gestion des risques. Alors que la théorie des valeurs extrêmes univariées est bien connue, la complexité s’accroît lorsque l’on s’intéresse au comportement joint d’extrêmes de plusieurs variables. Un intérêt particulier est porté aux évènements de nature spatiale, définissant le cadre d’un nombre infini de dimensions. Sous l’hypothèse que ces évènements soient marginalement extrêmes, nous focalisons sur la structure de dépendance qui les lie. Dans un premier temps, nous faisons une revue des modèles paramétriques de dépendance dans le cadre multivarié et présentons différentes méthodes d’estimation. Les processus maxstables permettent l’extension au contexte spatial. Nous dérivons la loi en dimension finie du célèbre modèle de Brown- Resnick, permettant de faire de l’inférence par des méthodes de vraisemblance ou de vraisemblance composée. Nous utilisons ensuite des lois asymétriques afin de définir la représentation spectrale d’un modèle plus large : le modèle Extremal Skew-t, généralisant la plupart des modèles présents dans la littérature. Ce modèle a l’agréable propriété d’être asymétrique et non-stationnaire, deux notions présentées par les évènements environnementaux spatiaux. Ce dernier permet un large spectre de structures de dépendance. Les indicateurs de dépendance sont obtenus en utilisant la loi en dimension finie.Enfin, nous présentons une méthode d’estimation non-paramétrique par noyau pour les queues de distributions et l’appliquons à la sélection de modèles. Nous illustrons notre méthode à partir de l’exemple de modèles climatiques. / Projection of future extreme events is a major issue in a large number of areas including the environment and risk management. Although univariate extreme value theory is well understood, there is an increase in complexity when trying to understand the joint extreme behavior between two or more variables. Particular interest is given to events that are spatial by nature and which define the context of infinite dimensions. Under the assumption that events correspond marginally to univariate extremes, the main focus is then on the dependence structure that links them. First, we provide a review of parametric dependence models in the multivariate framework and illustrate different estimation strategies. The spatial extension of multivariate extremes is introduced through max-stable processes. We derive the finite-dimensional distribution of the widely used Brown-Resnick model which permits inference via full and composite likelihood methods. We then use Skew-symmetric distributions to develop a spectral representation of a wider max-stable model: the extremal Skew-t model from which most models available in the literature can be recovered. This model has the nice advantages of exhibiting skewness and nonstationarity, two properties often held by environmental spatial events. The latter enables a larger spectrum of dependence structures. Indicators of extremal dependence can be calculated using its finite-dimensional distribution. Finally, we introduce a kernel based non-parametric estimation procedure for univariate and multivariate tail density and apply it for model selection. Our method is illustrated by the example of selection of physical climate models.