Les précipitations extrêmes en France sont responsables de phénomènes d'inondations entraînant la perte de vies humaines et des millions d'euros en dégâts matériels. Mesurer le risque associé à ces événements météorologiques rares fait appel à la théorie statistique des valeurs extrêmes, qui propose plusieurs approches permettant d'évaluer des scénarios catastrophes. Cette thèse s'intéresse en particulier à trois mesures de risque faisant intervenir à la fois des lois de probabilité jointes et des méthodes de prédiction spatiale liées à la géostatistique.Dans un premier temps, plusieurs modèles spatiaux de valeurs extrêmes construits sur des données de maxima annuels sont évalués dans une étude comparative sous la forme d'un article. La comparaison des méthodes est menée en se servant de simulations construites à partir de données réelles de maxima annuels de précipitations en France et porte sur des critères liés aux deux mesures de risque que sont le niveau de retour centennal et le coefficient extrémal.Un modèle en particulier, le processus max-stable et hiérarchique de Reich et Shaby (2012) est étudié en détail et fait l'objet d'une implémentation sous la forme d'un package R dédié à la simulation et à l'estimation par cette méthode.Dans un second temps, les données journalières dépassant un seuil élevé sont modélisées dans un cadre spatial dans le but d'estimer une probabilité d'échec conditionnelle. Plusieurs estimateurs de cette mesure sont proposés en se concentrant d'une part sur des méthodes paramétriques liées aux processus Pareto et d'autre part sur deux approches non paramétriques. Les méthodes sont construites de sorte que la dépendance temporelle observable dans les valeurs journalière soit prise en compte lors de l'estimation.Tout au long de la thèse, les méthodes développées sont appliquées sur des données journalières de précipitations en France / Extreme precipitation in France are responsible for flooding events that cause people's deaths and billions of euros in material damage. Measuring the risk associated to these rare meteorological events is possible thanks to the extreme value theory which allows the estimation of such catastrophic scenarios. This thesis focus on three risk measures involving joint probabilities and spatial prediction methods related to geostatistics.In a first time, several spatial models for extreme values built on annual maxima are evaluated in a comparative study in the form of an article. This comparison is performed using simulated data from real annual maxima of precipitation in France. It is also based on two criteria linked to risk measures: the hundred years return level and the extremal coefficient. One particular model is presented in details: the one of Reich and Shaby (2012). This model is implemented under a R package entirely dedicated to its estimation and simulation procedures.In a second time, exceedances of spatial daily data are modelled in order to estimate a conditional failure probability. Several estimators of this measure are proposed, based on the one hand on parametric methods involving Pareto processes and on the other hand on non parametric approaches. The temporal dependence in extremes is also considered with care when estimating this probability.Along this thesis, the methods are applied on daily data of precipitation in France

L'effet du réseau bocager sur l'organisation des sols à l'échelle d'un paysage reste mal connu, car la majorité des études ont été menées en deux dimensions, en se limitant souvent à des contextes de talus perpendiculaires à la ligne de plus grande pente. L'extrapolation des résultats ainsi obtenus à l'ensemble du paysage, est de ce fait difficile et conduit à une mésestimation de l'impact du bocage sur les sols.<br />Les objectifs de ce travail étaient de comprendre et de quantifier à l'échelle d'un paysage bocager, l'effet du système talus/haie sur l'organisation des sols et sur les stocks de carbone organique associés, ainsi que de décrire la dynamique des processus spatiaux qui ont conduit aux organisations observées.<br />Pour y parvenir, la démarche adoptée a combiné trois approches complémentaires. Tout d'abord, nous avons conduit une étude de terrain dans un paysage bocager historiquement documenté et offrant des conditions topo-paysagères contrastées avec pour but une caractérisation spatiale de l'effet du réseau bocager qui prenne en compte l'action de l'homme et la nature tridimensionnelle de la couverture pédologique à l'échelle du paysage.<br />Ensuite, nous avons couplé des approches de datation relative (analyse de documents historiques et géométrie des horizons) et absolue (carbone-14, césium-137), complémentaires des approches spatiales, pour dater les sols et analyser la dynamique des processus à l'origine des modifications de leur<br />organisation spatiale.<br />Cette prise en compte de la dimension temporelle était nécessaire pour améliorer notre compréhension des processus de redistribution en sol et nous permettre d'engager une modélisation spatiale et temporelle simulant des évolutions du paysage bocager en fonction de différents scénarii d'occupation des sols.

Ce travail porte sur les séries spatiales. On étudie les phénomènes dont l’observation est un processus aléatoire indexé par un ensemble spatial. Dans cette thèse on s’intéresse aux données bidimensionnelles régulièrement dispersées dans l’espace, on travaille alors dans un rectangle régulier (sur Z2) . Cette modélisation vise donc à construire des représentations des systèmes suivant leurs dimensions spatiales et à ses applications dans de nombreux domaines tels que la météorologie, l’océanographie, l’agronomie, la géologie, l’épidémiologie, ou encore l’économétrie etc. La modélisation spatiale permet d’aborder la question importante de la prédiction de la valeur d’un champ aléatoire en un endroit donné d’une région. On suppose que la valeur à prédire dépend des observations dans les régions voisines. Ceci montre la nécessité de tenir compte, en plus de leurs caractéristiques statistiques, des relations de dépendance spatiale entre localisations voisines, pour rendre compte de l’ensemble des structures inhérentes aux données. Dans la plupart des champs d’applications, on est souvent confronté du fait que l’une des sources majeures de fluctuations est la saisonnalité. Dans nos travaux on s’intéresse particulièrement à ce phénomène de saisonnalité dans les données spatiales. Faire une modélisation mathématique en tenant en compte l’interaction spatiale des différents points ou localités d’une zone entière serait un apport considérable. En effet un traitement statistique qui prendrait en compte cet aspect et l’intègre de façon adéquat peut corriger une perte d’information, des erreurs de prédictions, des estimations non convergentes et non efficaces. / This thesis focuses on the time series in addition to being observed over time, also have a spatial component. By definition, a spatiotemporal phenomenon is a phenomenon which involves a change in space and time. The spatiotemporal model-ling therefore aims to construct representations of systems taking into account their spatial and temporal dimensions. It has applications in many fields such as meteorology, oceanography, agronomy, geology, epidemiology, image processing or econometrics etc. It allows them to address the important issue of predicting the value of a random field at a given location in a region. Assume that the value depends predict observations in neighbouring regions. This shows the need to consider, in addition to their statistical characteristics, relations of spatial dependence between neighbouring locations, to account for all the inherent data structures. In the exploration of spatiotemporal data, refinement of time series models is to explicitly incorporate the systematic dependencies between observations for a given region, as well as dependencies of a region with neighboring regions. In this context, the class of spatial models called spatiotemporal auto-regressive models (Space-Time Autoregressive models) or STAR was introduced in the early 1970s. It will then be generalized as GSTAR model (Generalized Space-Time Autoregressive models). In most fields of applications, one is often confronted by the fact that one of the major sources of fluctuations is seasonality. In our work we are particularly interested in the phenomenon of seasonality in spatiotemporal data. We develop a new class of models and investigates the properties and estimation methods. Make a mathematical model taking into account the spatial inter-action of different points or locations of an entire area would be a significant contribution. Indeed, a statistical treatment that takes into account this aspect and integrates appropriate way can correct a loss of information, errors in predictions, non-convergent and inefficient estimates.