Ammar Kheder

Actualités

1. 23 oct. 2026 Nouveau Foehn de A à Z : 12 épisodes animés et un film de 44 minutes expliquent Foehn bloc par bloc. Voir la série →
2. 19 oct. 2026 Prépublication de Foehn sur arXiv, avec des prévisions interactives à 1 km et le code.
3. 7 sept. 2026 Présentation de TopoFlow à l’IAC 2026, l’International Aerosol Conference, à Xi’an.
4. août 2026 Exposé invité au Boya Forum on Environmental Research, Université de Pékin.

Toutes les actualités →

À voir

Playlist · 12 épisodes + film complet

Foehn de A à Z

12 épisodes animés et un film de 44 minutes expliquent Foehn bloc par bloc, du problème et des données jusqu’à FLEXGREEN, au générateur et aux résultats.

En anglais, avec un doublage par IA des épisodes (jusqu’à 10 langues). Narration générée par IA à partir de ma propre voix ; musique générée par IA.

Playlist sur YouTube · Film complet, 43:58 · @FoehnAI

Toutes les vidéos →

Recherche

Un même fil de recherche : des stations éparses (AQ-Net, 2025) aux transformers guidés par la physique (TopoFlow, 2026), puis à une résolution de 1 km sur l’Europe (CRAN-PM, 2026) et sur toute la planète (Foehn, 2026).

SCIA 2025 · Springer LNCS

AQ-Net

Réanalyse de la qualité de l’air pour les stations avec et sans capteurs : un LSTM avec attention et un kNN neuronal (nord de la Chine).

Lire l’étude de cas →

npj Clim. Atmos. Sci. · 2026

TopoFlow

Un Vision Transformer qui tient compte du relief et du vent : une RMSE de 9,71 µg/m³ pour les PM_2.5 sur la Chine, soit une amélioration de 71–80 % par rapport aux systèmes de prévision opérationnels.

Lire l’étude de cas →

Prépublication arXiv · 2026

CRAN-PM

Un Vision Transformer à résolutions croisées qui produit la carte de l’Europe à 1 km (29 millions de pixels) en 1,8 s sur un seul GPU.

Lire l’étude de cas →

Toute la recherche et les projets →

Publications

1. Global probabilistic forecasting of air pollution

   A. Kheder, M. Boy, Z.-S. Liu

   Prépublication arXiv:2610.25941, 2026. Premier auteur

   Prévisions mondiales des PM_2.5 à 1 km, jusqu’à une semaine à l’avance ; plus précises que la prévision opérationnelle dans trois stations sur quatre (prévisions rétrospectives sur 2022).

   arXiv Code Projet Étude de cas

   Citer

   @misc{kheder2026foehn,
     title         = {Global probabilistic forecasting of air pollution},
     author        = {Kheder, Ammar and Boy, Michael and Liu, Zhi-Song},
     year          = {2026},
     eprint        = {2610.25941},
     archivePrefix = {arXiv},
     primaryClass  = {cs.AI},
     url           = {https://arxiv.org/abs/2610.25941}
   }

2. TopoFlow: topography-aware pollutant Flow learning for high-resolution air quality prediction

   A. Kheder, H. Toropainen, W. Peng, S. Antão, J. Chen, M. Boy, Z.-S. Liu

   Revue npj Climate and Atmospheric Science 9, 143, Nature Portfolio, 2026. Premier auteur

   Vision Transformer qui tient compte du relief et du vent ; RMSE de 9,71 µg/m³ pour les PM_2.5 sur la Chine, soit une amélioration de 71–80 % par rapport aux systèmes de prévision opérationnels.

   Nature arXiv Code Projet Étude de cas

   Citer

   @article{kheder2026topoflow,
     title   = {TopoFlow: topography-aware pollutant flow learning for high-resolution air quality prediction},
     author  = {Kheder, Ammar and Toropainen, Helmi and Peng, Wenqing and Ant{\~a}o, Samuel and Chen, Jia and Boy, Michael and Liu, Zhi-Song},
     journal = {npj Climate and Atmospheric Science},
     volume  = {9},
     number  = {1},
     pages   = {143},
     year    = {2026},
     doi     = {10.1038/s41612-026-01417-5}
   }

3. CRAN-PM: Cross-Resolution Attention Network for High-Resolution PM_2.5 Prediction

   A. Kheder, H. Toropainen, W. Peng, S. Antão, Z.-S. Liu, M. Boy

   Prépublication arXiv:2603.11725, 2026. Premier auteur

   Vision Transformer à résolutions croisées : la carte de l’Europe à 1 km (29 millions de pixels) en 1,8 s sur un seul GPU.

   arXiv Code Projet Étude de cas

   Citer

   @misc{kheder2026cranpm,
     title         = {CRAN-PM: Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction},
     author        = {Kheder, Ammar and Toropainen, Helmi and Peng, Wenqing and Ant{\~a}o, Samuel and Liu, Zhi-Song and Boy, Michael},
     year          = {2026},
     eprint        = {2603.11725},
     archivePrefix = {arXiv},
     url           = {https://arxiv.org/abs/2603.11725}
   }

4. Inverse Neural Operator for ODE Parameter Optimization

   Z.-S. Liu, W. Peng, H. Toropainen, A. Kheder, A. Rupp, H. Froning, X. Lin, M. Boy

   Prépublication arXiv:2603.11854, 2026.

   Retrouve les paramètres cachés d’une EDO à partir d’observations éparses, 487 fois plus vite qu’une descente de gradient itérative.

   arXiv

5. Deep Spatio-Temporal Neural Network for Air Quality Reanalysis

   A. Kheder, B. Foreback, L. Wang, Z.-S. Liu, M. Boy

   Conférence Scandinavian Conference on Image Analysis (SCIA), Springer LNCS, 2025. Premier auteur

   Réanalyse des PM_2.5 aux stations avec et sans capteurs, à l’aide d’un kNN neuronal (nord de la Chine).

   Springer arXiv Code Étude de cas

   Citer

   @inproceedings{kheder2025aqnet,
     title     = {Deep Spatio-Temporal Neural Network for Air Quality Reanalysis},
     author    = {Kheder, Ammar and Foreback, Benjamin and Wang, Lili and Liu, Zhi-Song and Boy, Michael},
     booktitle = {Scandinavian Conference on Image Analysis (SCIA)},
     series    = {Lecture Notes in Computer Science},
     publisher = {Springer},
     year      = {2025},
     doi       = {10.1007/978-3-031-95911-0_6}
   }

Toutes les publications sur Google Scholar →