L'objet de la recherche est d'étudier l'agrément retenu comme indicateur affectif de l'efficacité d'une action de parrainage sportif. Plus précisément, nous évaluons le rôle de deux variables de segmentation : les valeurs et l'orientation temporelle des spectateurs de l'événement sportif. L'étude met en avant : - une nouvelle segmentation des cibles du parrainage sportif à partir des valeurs des spectateurs ; - une nouvelle échelle de mesure de l'agrément propore au parrainage sportif, cette dernière étant opérationnelle ; - l'incidence positive des valeurs des spectateurs sur l'agrément du parrainage sportif.

Les mesures tridimensionnelles peuvent être obtenues à partir de plusieurs images par la méthode de triangulation. Ce travail étudie le problème du placement des caméras de façon a obtenir une erreur minimale lors des mesures tridimensionnelles. En photogrammétrie, on parlera du concept du réseau de caméras. Nous poserons le problème en termes d'optimisation et nous le diviserons en deux parties: 1) Une partie analytique dédiée à l'analyse de l'erreur de propagation d'où découlera un critère. 2) Un processus global d'optimisation minimisera ce critère. De ce coté-là, l'approche consiste en une analyse d'incertitude appliquée au processus de reconstruction d'où une matrice de covariance sera calculée. Cette matrice représente l'incertitude de la détection pour lequel le critère est dérivé. Par ailleurs, l'optimisation a des aspects discontinus essentiellement dû à l'inobservabilité des points. Ce facteur va nous amener à utiliser un processus d'optimisation combinatoire que nous avons résolu en utilisant un algorithme génétique multicellulaire. Des résultats expérimentaux sont inclus pour illustrer l'efficacité et la rapidité de la solution.

<p>Two methods for evaluating and improving plane wave beamforming have beendeveloped. The methods estimate the shape of the wavefront and use theinformation in the beamforming. One of the methods uses estimates of the timedelays between the sensors to approximate the shape of the wavefront, and theother estimates the wavefront by matching the received wavefront to sphericalwavefronts of different radii. The methods are compared to a third more commonmethod of beamforming, which assumes that the impinging wave is planar. Themethods’ passive ranging abilities are also evaluated, and compared to a referencemethod based on triangulation.Both methods were evaluated with both real and simulated data. The simulateddata was obtained using Raylab, which is a simulation program based on ray-tracing. The real data was obtained through a field-test performed in the Balticsea using a towed array sonar and a stationary source emitted tones.The performance of the matched beamformers depends on the distance to the tar-get. At a distance of 600 m near broadside the power received by the beamformerincreases by 0.5-1 dB compared to the plane wave beamformer. At a distance of300 m near broadside the improvement is approximately 2 dB. In general, obtain-ing an accurate distance estimation proved to be difficult, and highly dependenton the noise present in the environment. A moving target at a distance of 600 mat broadside can be estimated with a maximum error of 150 m, when recursiveupdating of the covariance matrix with a updating constant of 0.25 is used. Whenrecursive updating is not used the margin of error increases to 400 m.</p>

The terrestrial biosphere impacts considerably on the global carbon cycle. In particular, ecosystems contribute to set off anthropogenic induced fossil fuel emissions and hence decelerate the rise of the atmospheric CO₂ concentration. However, the future net sink strength of an ecosystem will heavily depend on the response of the individual processes to a changing climate. Understanding the makeup of these processes and their interaction with the environment is, therefore, of major importance to develop long-term climate mitigation strategies. Mathematical models are used to predict the fate of carbon in the soil-plant-atmosphere system under changing environmental conditions. However, the underlying processes giving rise to the net carbon balance of an ecosystem are complex and not entirely understood at the canopy level. Therefore, carbon exchange models are characterised by considerable uncertainty rendering the model-based prediction into the future prone to error. Observations of the carbon exchange at the canopy scale can help learning about the dominant processes and hence contribute to reduce the uncertainty associated with model-based predictions. For this reason, a global network of measurement sites has been established that provides long-term observations of the CO₂ exchange between a canopy and the atmosphere along with micrometeorological conditions. These time series, however, suffer from observation uncertainty that, if not characterised, limits their use in ecosystem studies. The general objective of this work is to develop a modelling methodology that synthesises physical process understanding with the information content in canopy scale data as an attempt to overcome the limitations in both carbon exchange models and observations. Similar hybrid modelling approaches have been successfully applied for signal extraction out of noisy time series in environmental engineering. Here, simple process descriptions are used to identify relationships between the carbon exchange and environmental drivers from noisy data. The functional form of these relationships are not prescribed a priori but rather determined directly from the data, ensuring the model complexity to be commensurate with the observations. Therefore, this data-led analysis results in the identification of the processes dominating carbon exchange at the ecosystem scale as reflected in the data. The description of these processes may then lead to robust carbon exchange models that contribute to a faithful prediction of the ecosystem carbon balance. This work presents a number of studies that make use of the developed data-led modelling approach for the analysis and interpretation of net canopy CO₂ flux observations. Given the limited knowledge about the underlying real system, the evaluation of the derived models with synthetic canopy exchange data is introduced as a standard procedure prior to any real data employment. The derived data-led models prove successful in several different applications. First, the data-based nature of the presented methods makes them particularly useful for replacing missing data in the observed time series. The resulting interpolated CO₂ flux observation series can then be analysed with dynamic modelling techniques, or integrated to coarser temporal resolution series for further use e.g., in model evaluation exercises. However, the noise component in these observations interferes with deterministic flux integration in particular when long time periods are considered. Therefore, a method to characterise the uncertainties in the flux observations that uses a semi-parametric stochastic model is introduced in a second study. As a result, an (uncertain) estimate of the annual net carbon exchange of the observed ecosystem can be inferred directly from a statistically consistent integration of the noisy data. For the forest measurement sites analysed, the relative uncertainty for the annual sum did not exceed 11 percent highlighting the value of the data. Based on the same models, a disaggregation of the net CO₂ flux into carbon assimilation and respiration is presented in a third study that allows for the estimation of annual ecosystem carbon uptake and release. These two components can then be further analysed for their separate response to environmental conditions. Finally, a fourth study demonstrates how the results from data-led analyses can be turned into a simple parametric model that is able to predict the carbon exchange of forest ecosystems. Given the global network of measurements available the derived model can now be tested for generality and transferability to other biomes. In summary, this work particularly highlights the potential of the presented data-led methodologies to identify and describe dominant carbon exchange processes at the canopy level contributing to a better understanding of ecosystem functioning. / Der Kohlenstoffhaushalt der Erde wird maßgeblich von der bewachsenen Landoberfläche beeinflusst. Insbesondere tragen terrestrische Ökosysteme dazu bei, den Anstieg der atmosphärischen Kohlenstoffdioxid- (CO₂-) Konzentration durch anthropogen verursachte Emissionen fossiler Brennstoffe zu verlangsamen. Die Intensität der Netto-CO₂-Aufnahme wird allerdings in einem sich verändernden Klima davon abhängen, wie einzelne Prozesse auf Änderungen der sie beeinflussenden Umweltfaktoren reagieren. Fundierte Kenntnisse dieser Prozesse und das Verständnis ihrer Wechselwirkungen mit der Umwelt sind daher für eine erfolgreiche Klimaschutzpolitik von besonderer Bedeutung. Mit Hilfe von mathematischen Modellen können Vorhersagen über den Verbleib des Kohlenstoffs im System Boden-Pflanze-Atmosphäre unter zukünftigen Umweltbedingungen getroffen werden. Die verantwortlichen Prozesse und ihre Wechselwirkungen mit der Umwelt sind jedoch kompliziert und bis heute auf der Ökosystemskala nicht vollkommen verstanden. Entwickelte Modelle und deren Vorhersagen sind deshalb derzeit mit erheblichen Unsicherheiten behaftet. Messungen von CO₂-Austauschflüssen zwischen einem Ökosystem und der Atmosphäre können dabei helfen, Vorgänge besser verstehen zu lernen und die Unsicherheiten in CO₂-Austausch-Modellen zu reduzieren. Allerdings sind auch diese Beobachtungen, wie alle Umweltmessungen, von Unsicherheiten durchsetzt. Ziel dieser Arbeit ist es Methoden zu entwickeln, die physikalisches Prozessverständnis mit dem dennoch großen Informationsgehalt dieser Daten vorteilhaft zu vereinigen. Dabei soll vereinfachtes Prozessverständnis dazu genutzt werden, Zusammenhänge zwischen dem CO₂-Austausch und den umgebenden Umweltbedingungen aus den Beobachtungen abzuleiten. Das Besondere hierbei ist, dass diese Zusammenhänge direkt aus den Daten geschätzt werden, ohne vorher Annahmen über ihre funktionale Form zu machen. Die Daten als Ausgangspunkt der Modellentwicklung zu wählen gewährleistet, dass die Komplexität der Modelle dem Informationsgehalt der Messungen entspricht. Auf diese Weise lassen sich diejenigen Prozesse identifizieren, welche für den CO₂-Austausch mit der Atmosphäre dominant sind. Die gewonnenen Erkenntnisse können dann in robuste CO₂-Austauschmodelle für Ökosysteme überführt werden und zur Vorhersage von Kohlenstoffbilanzen beitragen. In der vorliegenden Arbeit werden diese entwickelten, datenbasierten Methoden zur Analyse und Interpretation von Netto-CO₂-Flüssen eingesetzt. Die erste Studie führt ein datenbasiertes Modell ein, das unvermeidliche Lücken in Messzeitreihen zuverlässig interpoliert. Dies ermöglicht erweiterte Anwendungen der Daten. In einer nächsten Studie wird ein Verfahren vorgestellt, mit dem die Unsicherheiten in den Beobachtungen charakterisiert werden können. Dies ist nötig, um jährliche Kohlenstoffbilanzen von Ökosystemen unter Berücksichtigung der Messungenauigkeiten direkt aus den Daten herzuleiten. Dabei liegt die Unsicherheit in den betrachteten Waldstandorten bei maximal 11% des Jahreswertes. In einer weiteren Studie werden dieselben Modelle genutzt, um die Netto-CO₂-Flüsse in Einzelkomponenten der CO₂-Assimilation und -Abgabe zu bestimmen. Diese Komponenten sowie die Nettobilanz sind zusammen mit ihren Ungenauigkeiten für Vorhersagen über das Kohlenstoffsenkenpotential eines Ökosystems von besonderer Bedeutung und können Abschätzungen des globalen Kohlenstoffhaushaltes maßgeblich unterstützen. Abschließend zeigt die letzte Studie ein Beispiel für die datenbasierte Entwicklung eines Modells, das die dominanten Prozesse des Kohlenstoffaustausches in Waldökosystemen beschreibt und erfolgreich vorhersagen kann. Dies unterstreicht insbesondere das Potenzial des vorgestellten Modellierungsansatzes, vorherrschende Prozesse zu identifizieren, zu beschreiben und damit zum verbesserten Verständnis des CO₂-Austauschs zwischen Ökosystem und Atmosphäre beizutragen.

This thesis deals with univariate and multivariate rank methods in making statistical inference. It is assumed that the underlying distributions belong to the class of elliptical distributions. The class of elliptical distributions is an extension of the normal distribution and includes distributions with both lighter and heavier tails than the normal distribution. In the first part of the thesis the rank covariance matrices defined via the Oja median are considered. The Oja rank covariance matrix has two important properties: it is affine equivariant and it is proportional to the inverse of the regular covariance matrix. We employ these two properties to study the problem of estimating the rank covariance matrices when they have a certain structure. The second part, which is the main part of the thesis, is devoted to rank estimation in linear regression models with symmetric heteroscedastic errors. We are interested in asymptotic properties of rank estimates. Asymptotic uniform linearity of a linear rank statistic in the case of heteroscedastic variables is proved. The asymptotic uniform linearity property enables to study asymptotic behaviour of rank regression estimates and rank tests. Existing results are generalized and it is shown that the Jaeckel estimate is consistent and asymptotically normally distributed also for heteroscedastic symmetric errors.

Cette thèse s'inscrit dans la thématique de planification d'expériences numériques. Elle porte plus précisément sur l'optimisation de simulateurs numériques coûteux à évaluer, par des stratégies d'échantillonnage basées sur des représentations simplifiées du simulateur, les metamodèles. Une fois choisi un metamodèle parmi les familles existantes (polynômes, splines, modèles additifs, Krigeage, réseaux de neurones), on estime les paramètres du metamodèle. On dispose alors d'une représentation simplifiée du simulateur, que l'on pourra faire évoluer en fonction des informations apportées par de nouvelles évaluations. Etant donné qu'il est difficile de savoir a priori quel sera le type de metamodèle capable de guider au mieux un algorithme d'optimisation, une des motivations de ce travail est d'examiner comment une construction ad hoc de la structure du metamodèle, voire la prise en compte de plusieurs metamodèles, peuvent améliorer les méthodes d'approximation et les stratégies d'optimisation globale actuellement employées. Cela soulève à la fois des questions mathématiques et statistiques de sélection de modèle (quelles familles de métamodèles considérer ? Comment estimer les termes de covariance et/ou de tendance d'un métamodèle de Krigeage, et selon quels critères les évaluer ? Comment prendre en compte certaines formes d'instationnarité dans la covariance de Krigeage que sont les symétries et la présence de bruits d'observation hétérogènes ?), de combinaison de modèles (Une fois un ensemble de metamodèles choisis, comment agrège-ton les pseudo-informations qu'ils nous apportent ?), et de définition de critères décisionnels pour guider les évaluations au sein d'algorithmes d'optimisation (Comment paralléliser EGO ou des procédures similaires d'exploration sur base de Krigeage ?).

Today the multisensor array signal processing of noisy measurements has received much attention. The classical problem in array signal processing is determining the location of an energy-radiating source relative to the location of the array, in other words, direction-of-arrival (DOA) estimation. One is considering the signal estimation problem when together with the signal(s) of interest some noise and interfering signals are present. In this report a direction-of-arrival estimation system is described based on an antenna array for detecting arrival angles in azimuth plane of signals pitched by the antenna array. For this, the Multiple Signal Classication (MUSIC) algorithmis first of all considered. Studies show that in spite of its good reputation and popularity among researches, it has a certain limit of its performance. In this subspace-based method for DOA estimation of signal wavefronts, the term corresponding to additive noise is initially assumed spatially white. In our paper, we address the problem of DOA estimation of multiple target signals in a particular noise situation - in correlated spherically isotropic noise, which, in many practical cases, models a more real context than under the white noise assumption. The purpose of this work is to analyze the behaviour of the MUSIC algorithm and compare its performance with some other algorithms (such as the Capon and the Classical algorithms) and, uppermost, to explore the quality of the detected angles in terms of precision depending on different parameters, e.g. number of samples, noise variance, number of incoming signals. Some modifications of the algorithms are also done is order to increase their performance. Program MATLAB is used to conduct the studies. The simulation results on the considered antenna array system indicate that in complex conditions the algorithms in question (and first of all, the MUSIC algorithm) are unable to automatically detect and localize the DOA signals with high accuracy. Other algorithms andways for simplification the problem (for example, procedure of denoising) exist and may provide more precision but require more computation time.

Two methods for evaluating and improving plane wave beamforming have beendeveloped. The methods estimate the shape of the wavefront and use theinformation in the beamforming. One of the methods uses estimates of the timedelays between the sensors to approximate the shape of the wavefront, and theother estimates the wavefront by matching the received wavefront to sphericalwavefronts of different radii. The methods are compared to a third more commonmethod of beamforming, which assumes that the impinging wave is planar. Themethods’ passive ranging abilities are also evaluated, and compared to a referencemethod based on triangulation.Both methods were evaluated with both real and simulated data. The simulateddata was obtained using Raylab, which is a simulation program based on ray-tracing. The real data was obtained through a field-test performed in the Balticsea using a towed array sonar and a stationary source emitted tones.The performance of the matched beamformers depends on the distance to the tar-get. At a distance of 600 m near broadside the power received by the beamformerincreases by 0.5-1 dB compared to the plane wave beamformer. At a distance of300 m near broadside the improvement is approximately 2 dB. In general, obtain-ing an accurate distance estimation proved to be difficult, and highly dependenton the noise present in the environment. A moving target at a distance of 600 mat broadside can be estimated with a maximum error of 150 m, when recursiveupdating of the covariance matrix with a updating constant of 0.25 is used. Whenrecursive updating is not used the margin of error increases to 400 m.

In this paper we discuss an algorithm for the construction of D-optimal experimental designs for the parameters in a regression model when the errors have a correlation structure. We show that design points can collapse under the presence of some covariance structures and a so called nugget can be employed in a natural way. We also show that the information of equidistant design on covariance parameter is increasing with the number of design points under exponential variogram, however these designs are not D-optimal. Also in higher dimensions the exponential structure without nugget leads to collapsing of the D-optimal design when also parameters of covariance structure are of interest. However, if only trend parameters are of interest, the designs covering uniformly the whole design space are very efficient. For illustration some numerical examples are also included. (author's abstract) / Series: Research Report Series / Department of Statistics and Mathematics

Dans le contexte très général de la détection radar, les détecteurs classiques, basés sur l'hypothèse d'un bruit Gaussien, sont souvent mis en défaut dès lors que l'environnement (fouillis de sol, de mer) devient inhomogène, voire impulsionnel, s'écartant très vite du modèle Gaussien. Des modèles physiques de fouillis basés sur les modèles de bruit composé (SIRP, Compound Gaussian Processes) permettent de mieux représenter la réalité (variations spatiales de puissance et nature de fouillis, transitions, ...). Ces modèles dépendent cependant de paramètres (matrice de covariance, loi de texture, paramètres de "disturbance") qu'il devient nécessaire d'estimer. Une fois ces paramètres estimés, il est possible de construire des détecteurs radar optimaux (Generalized Likelihood Ratio Test - Linear Quadratic) pour ces environnements. Cette thèse, qui s'appuie sur ces modèles, propose une analyse complète de diverses procédures d'estimation de matrices de covariance, associées à ce problème de détection. Une étude statistique des principaux estimateurs de matrice de covariance, utilisés actuellement, est réalisée. De plus, un nouvel estimateur est proposé: l'estimateur du point fixe, très attractif grâce à ses bonnes propriétés statistiques et "radaristiques".<br />Elle décrit également les performances et les propriétés théoriques (SIRV-CFAR) du détecteur GLRT-LQ construits avec ces nouveaux estimateurs. En particulier, on montre l'invariance du détecteur à la loi de la texture mais également à la matrice de covariance régissant les propriétés spectrales du fouillis. Ces nouveaux détecteurs sont ensuite analysés sur des données simulées mais également testés sur des données réelles de fouillis de sol.