An epidemiological and clinical approach to adolescent suicide. A comparison between suicidal and non-suicidal clinical groups in a health foundation center for French students.

Suicidal behaviour among young people represents a major public health problem. This study seeks to compare the major sociological, clinical, schooling and family features of suicidal and non-suicidal subgroups of adolescents hospitalised in the Health Foundation Center for French Students of neufmoutiers en Brie (France). All these adolescents suffered from the severe mental disorders. The adolescents from the suicidal subgroup presented significantly fewer psychoses and more mood disorders than those of the non-suicidal subgroup. Half of the patients from the suicidal subgroup presented some features of personality disorders, mostly borderline personality disorders. Nevertheless, their global functioning was more frequently improved between admission and discharge than was the case for the non-suicidal group.

Fracture network characterization using hydrological and geophysical data

Les décisions de gestion des eaux souterraines doivent souvent être justiffées par des modèles quantitatifs d'aquifères qui tiennent compte de l'hétérogénéité des propriétés hydrauliques. Les aquifères fracturés sont parmi les plus hétérogènes et très difficiles à étudier. Dans ceux-ci, les fractures connectées, d'ouverture millimètrique, peuvent agir comme conducteurs hydrauliques et donc créer des écoulements très localisés. Le manque général d'informations sur la distribution spatiale des fractures limite la possibilité de construire des modèles quantitatifs de flux et de transport. Les données qui conditionnent les modèles sont généralement spatialement limitées, bruitées et elles ne représentent que des mesures indirectes de propriétés physiques. Ces limitations aux données peuvent être en partie surmontées en combinant différents types de données, telles que les données hydrologiques et de radar à pénétration de sol plus commun ément appelé géoradar. L'utilisation du géoradar en forage est un outil prometteur pour identiffer les fractures individuelles jusqu'à quelques dizaines de mètres dans la formation. Dans cette thèse, je développe des approches pour combiner le géoradar avec les données hydrologiques affn d'améliorer la caractérisation des aquifères fracturés. Des investigations hydrologiques intensives ont déjà été réalisées à partir de trois forage adjacents dans un aquifère cristallin en Bretagne (France). Néanmoins, la dimension des fractures et la géométrie 3-D des fractures conductives restaient mal connue. Affn d'améliorer la caractérisation du réseau de fractures je propose dans un premier temps un traitement géoradar avancé qui permet l'imagerie des fractures individuellement. Les résultats montrent que les fractures perméables précédemment identiffées dans les forages peuvent être caractérisées géométriquement loin du forage et que les fractures qui ne croisent pas les forages peuvent aussi être identiffées. Les résultats d'une deuxième étude montrent que les données géoradar peuvent suivre le transport d'un traceur salin. Ainsi, les fractures qui font partie du réseau conductif et connecté qui dominent l'écoulement et le transport local sont identiffées. C'est la première fois que le transport d'un traceur salin a pu être imagé sur une dizaines de mètres dans des fractures individuelles. Une troisième étude conffrme ces résultats par des expériences répétées et des essais de traçage supplémentaires dans différentes parties du réseau local. En outre, la combinaison des données de surveillance hydrologique et géoradar fournit la preuve que les variations temporelles d'amplitude des signaux géoradar peuvent nous informer sur les changements relatifs de concentrations de traceurs dans la formation. Par conséquent, les données géoradar et hydrologiques sont complémentaires. Je propose ensuite une approche d'inversion stochastique pour générer des modèles 3-D de fractures discrètes qui sont conditionnés à toutes les données disponibles en respectant leurs incertitudes. La génération stochastique des modèles conditionnés par géoradar est capable de reproduire les connexions hydrauliques observées et leur contribution aux écoulements. L'ensemble des modèles conditionnés fournit des estimations quantitatives des dimensions et de l'organisation spatiale des fractures hydrauliquement importantes. Cette thèse montre clairement que l'imagerie géoradar est un outil utile pour caractériser les fractures. La combinaison de mesures géoradar avec des données hydrologiques permet de conditionner avec succès le réseau de fractures et de fournir des modèles quantitatifs. Les approches présentées peuvent être appliquées dans d'autres types de formations rocheuses fracturées où la roche est électriquement résistive.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Inhabitants' and professionals' social representations of health determinants in a disadvantaged urban area in France: a qualitative analysis = représentations sociales des déterminants de santé dans une zone urbaine défavorisée en France : analyse qualitative auprès d'habitants et de professionnels

Background and objective. - Access to care in French disadvantaged urban areas remains an issue despite the implementation of local healthcare structures. To understand this contradiction, we investigated social representations held by inhabitants of such areas, as well as those of social and healthcare professionals, regarding events or behaviours that can impact low-income individuals' health. Method. - In the context of a health diagnosis, 288 inhabitants living in five disadvantaged districts of Aix-les-Bains, as well as 28 professionals working in these districts, completed an open-ended questionnaire. The two groups of respondents were asked to describe what could have an impact on health status from the inhabitants' point of view. The textual responses were analyzed using the Alceste method. Results. - We observed a number of differences in the way the inhabitants and professionals represented determinants of health in disadvantaged urban areas: the former proposed a representation mixing personal responsibility with physiological, social, familial, and professional aspects, whereas the latter associated health issues with marginalization (financial, drug, or alcohol problems) and personal responsibility. Both inhabitants and professionals mentioned control over events and lifestyle as determinants of health. Discussion. - The results are discussed regarding the consequences of these different representations on the beneficiary - healthcare-provider relationship in terms of communication and trust.

Synthèse de l'évolution de la plateforme Urgonienne (Barrémien tardif à Aptien précoce) du Sud-Est de la France : facies, micropaléontologie, géochimie, géométries, paléotectonique et géomodélisation

Il y a environ 125 millions d'années, au Crétacé inférieur, la position des continents et le climat terrestre étaient bien différents de ce que l'on connait aujourd'hui. Le Sud-Est de la France, secteur de cette étude, était alors recouvert d'eau, sous un climat chaud et humide. Sur la bordure de cette étendue d'eau (appelée bassin Vocontien), qui correspond aujourd'hui aux régions de la Provence, du Vaucluse, du Gard, de l'Ardèche et du Vercors, des plateformes carbonatées, (telles que les Bahamas), se développaient. Le calcaire, formé à partir des sédiments accumulés sur ces plateformes, est appelé Urgonien. L'objectif de cette étude est de définir les facteurs qui ont influencé le développement de cette plateforme carbonatée dite « urgonienne » et dans quelle mesure. Plusieurs missions de terrain ont permis de récolter de nombreux échantillons de roche en 52 lieux répartis sur l'ensemble du Sud-Est de la France. Les observations réalisées sur le terrain ainsi que les données acquises en laboratoire (microfaune, microfacies et données géo-chimiques) ont permis, de subdiviser chacune des 52 séries urgoniennes en séquences stratigraphiques et cortèges sédimentaires. La comparaison des épaisseurs et des faciès de chaque cortège sédimentaire permet de concevoir la géométrie et l'évolution paléogéographique de la plateforme urgonienne. Les résultats de cette étude démontrent que son organisation est principalement dirigée par des failles qui ont jouées pendant le dépôt des sédiments. Sur la bordure nord du bassin Vocontien, trois failles subméridiennes contrôlent la géométrie et la répartition des environnements de dépôt. Sur sa bordure sud, ces failles synsédimentaires d'orientation N30° et N110° délimitent des blocs basculés. En tête de bloc, des séries d'épaisseurs réduites à faciès de lagon interne se sont déposées alors que les pieds de blocs sont caractérisés par des épaisseurs importantes et la présence de faciès plus externes. Ces concepts ont ensuite été testés en construisant un modèle numérique en trois dimensions de l'Urgonien du Sud-Est de la France. Sa cohérence avec les données acquises tout au long de cette étude d'une part, et sa cohérence géométrique d'autre part, valide les théories avancées. Des formations équivalentes à l'Urgonien sont réparties dans le monde entier et notamment au Moyen-Orient où elles constituent les réservoirs pétroliers les plus importants. Etre capable de caractériser les facteurs ayant influencé son architecture permet par la suite une meilleure exploitation de ses ressources énergétiques. -- Au Crétacé inférieur, l'intense activité magmatique due à la dislocation du super-continent Pangée influence fortement les conditions environnementales globales. Au Barrémien terminal et Aptien basal, période géologique dont fait l'objet cette étude, le bassin Vocontien, puis Bédoulien, recouvre le Sud-Est de la France, sous un climat chaud et humide. Sur les bordures de ces bassins, des plateformes carbonatées se mettent en place. Les sédiments qui se déposent sur ces plateformes sont à l'origine de la formation urgonienne. Afin d'étudier cette formation, une charte biostratigraphique, principalement basée sur les Orbitolinidés, et un modèle de faciès ont été développés. Les assemblages faunistiques, la succession des faciès, les observations de terrain ainsi que l'étude de signaux géochimiques ont permis le découpage séquentiel de la série urgonienne le long de 54 coupes et puis, répartis sur l'ensemble du Sud-Est de la France. Les corrélations induites par cette étude stratigraphique ont mis en évidence d'importantes variations d'épaisseur et d'environnements de dépôt au sein même de la plateforme urgonienne. Ces variations sont expliquées par le jeu de failles syn-sédimentaires qui ont compartimentées la plateforme urgonienne en blocs. Sur la bordure sud du bassin Vocontien, ces failles d'orientation N30° et N110° délimitent six blocs basculés. Au sommet du Barrémien terminal, la subsidence des blocs situés le plus au sud s'amplifie jusqu'à provoquer l'ouverture du bassin de la Bédoule au sud du secteur d'étude. Cette théorie d'évolution a ensuite été testée par l'élaboration d'un modèle numérique en trois dimensions de l'Urgonien du Sud-Est de la France. Sa cohérence avec les données acquises tout au long de cette étude d'une part, et sa cohérence géométrique d'autre part, valide les théories avancées. Des analogues de l'Urgonien sont répartis dans le monde entier et notamment au Moyen-Orient où ils représentent d'importants réservoirs pétroliers. Être capable de caractériser les facteurs ayant influencé l'architecture de l'Urgonien du Sud-Est de la France permet par la suite une meilleure exploitation de ses ressources énergétiques. -- During the Early Cretaceous epoch, intensive magmatic activity due to the dislocation of the super-continent Pangaea, highly influenced global environmental conditions, which were characterized by a warm and generally humic climate. In this context, carbonate platforms were important in tropical and subtropical shallow-water regions, and especially during the late Barremian and early Aptian, platform carbonates of so-called Urgonian affinity are widespread. In southeastern France, the Urgonian platform was part of the northern Tethyan margin and bordered the Vocontian and the Bedoulian basins. The goal of this thesis was the systematic study of the Urgonian Formation in this region, and in order to achieve this goal, a biostratigraphic chart and a facies model were developed. The faunistic assemblages, the facies succession, the field observations and the study of geochemical signals lead to a sequential subdivision of the Urgonian series along 54 sections and wells allocated in five different regions in southeastern France (Gard, Ardèche, Vercors, Vaucluse and Provence). Correlations from this stratigraphic study highlight important variations in thickness and depositional environments of the Urgonian series. These variations are explained by relative movements induced by syn-sedimentary faults, which divided the Urgonian platforms into blocks. On the southern border of the Vocontian basin, these faults, oriented N30° and N110°, delineate six tilted blocks. At the top of the upper Barremian carbonates, subsidence of the two southern blocks accelerated leading to the opening of the Bedoulian basin. The reconstruction of the sequence-stratigraphic and paleoenvironmental evolution of the Urgonian platforms was then tested by the construction of a 3D numerical model of the Urgonian formation of southeastern France. Firstly, its consistency with the data collected during this study, and secondly, its geometrical coherence validate the proposed theory. Urgonian analogs exist all over the world and particularly in Middle East where they constitute important oil reservoirs. The exact reconstruction of the major factors, which influenced the architecture of these formations, will allow for a better exploitation of these energy resources.