Domaine
Statistique spatiale, processus ponctuels, estimation paramétrique, simulation Monte Carlo par chaînes de Markov
Applications sur des données géologiques, applications sur des données biologiques
Publications
Thèse de Doctorat
[1] C. Reype. Modélisation probabiliste et inférence bayésienne pour l’analyse de la dynamique des mélanges de fluides géologiques : détection des structures et estimation des paramètres. Thèse de doctorat. Université de Lorraine, 2022.
Article soumis
[2] C. Reype, R. S. Stoica, A. Richard and M. Deaconu. HUG model: an interaction point process for Bayesian detection of multiple sources in groundwaters from hydrochemical data. Preprint HAL, hal-03740303 , 2022.
Communication dans une conférence
[3] D. Gemmerlé, R. S. Stoica, and C. Reype. DRlib: a C++ library for marked Gibbs point processes simulation and inference. 21st Annual Conference of the International Association for Mathematical Geosciences, IAMG 2022.
[4] Christophe Reype, A. Richard, R. S. Stoica and M. Deaconu. Bayesian statistical analysis of hydrogeochemical data using point processes: a new tool for source detection in multicomponent fluid mixtures, 2020.Preprint HAL
Exposés
Spatial Statistics and Image Analysis in Biology (éditions 2021 et 2022)
International Association for Mathematical Geosciences (IAMG) 2022
DEEPSURF (éditions 2021 et 2022)
RING MEETING 2020
Séminaire du Laboratoire de Mathématiques Pures et Appliquées Joseph Liouville (LMPA) 2025
Séminaire du Laboratoire Pluridisciplinaire et Simulations (LAMPS) 2025
Visite de l'Option Géostatistique et Probabilités Appliquées, Mines Paris 3A (INRAE équipe BIOSP) 2024
Séminaire de l'équipe RING GeoRessources 2023
Collaboration
Collaboration internationale
Suite à la publication sur HAL de [4], Radu Stoica et moi avons été contactés par Daniele Luigi Pinti, professeur à l'Université du Québec à Montréal, qui faisait partie jury de ma thèse. Depuis ma soutenance de thèse, nous sur la détection de sources dans un jeu de données hydrochimiques sparse. Du fait du grand nombre de données manquantes et de la répartition non uniforme des données dans l'enveloppe convexe des sources (biais d'échantillonnage), nous améliorons le modèle Hug pour qu'il soit en mesure donner des résultats satisfaisants dans ce contexte.
Réalisation d'un logiciel
Je participe au développement de la librairie DRLib en langage C++ en collaboration avec Didier Gemmerlé et Radu Stoica. L'objectif est de créer une méthode de travail efficace pour modéliser, simuler et inférer des processus ponctuels marqués de Gibbs. Grâce à sa puissance et sa rapidité, le langage C++ permet l'utilisation des méthodes de Monte Carlo à Chaîne de Markov (MCMC) nécessaire à la simulation et l'inférence des processus ponctuels. J'utilise actuellement cette méthode pour que le prototype du modèle développé durant ma thèse, le modèle Hug, devienne accessible et facile d'utilisation pour le public.