Thèse Estimation des Émissions de Polluants Depuis l'Espace à l'Aide de l'Apprentissage Profond H/F - 75

Établissement : Université Paris Cité
École doctorale : Sciences de l'Environnement d'Ile-de-France
Laboratoire de recherche : LISA - Laboratoire Interuniversitaire des Systèmes Atmosphériques
Direction de la thèse : Gaëlle DUFOUR ORCID 0000000188472165
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-11T23:59:59

L'industrialisation et l'urbanisation du XXe siècle ont fortement accru les émissions de polluants d'origine anthropique, faisant de la pollution atmosphérique le principal risque environnemental pour la santé selon l'OMS (environ 3 millions de décès annuels). Bien que des réglementations aient été mises en place, les inventaires d'émissions actuels, basés sur des données auto-déclarées et agrégées, souffrent d'incertitudes majeures et de mises à jour trop lentes pour être efficaces dans les modèles de qualité de l'air.
Les avancées récentes en télédétection par satellite (comme Sentinel-5P, Sentinel-4 et Sentinel-5) offrent une opportunité prometteuse pour améliorer ces estimations grâce à leur couverture spatio-temporelle inédite. Cependant, l'exploitation de ces données haute résolution reste un défi.

Ce projet de thèse vise à développer un système d'apprentissage profond capable d'estimer les émissions de polluants avec une haute résolution spatio-temporelle et en temps quasi réel. Le ou la doctorant(e) devra concevoir un cadre d'apprentissage multi-tâches pour :
- Estimer les émissions totales à l'échelle du pixel pour des polluants clés (comme les NOx, précurseurs de l'ozone et des particules fines).
- Distinguer les contributions sectorielles (trafic, résidentiel, industrie) en exploitant des observations satellitaires (NO, SO, CO, etc.) et des données auxiliaires (occupation des sols).
L'étude s'appuiera sur des simulations du modèle de chimie-transport CHIMERE pour entrainer le modèle d'apprentissage et se concentrera sur l'Europe, en analysant des périodes de perturbations majeures (comme la pandémie de COVID-19 ou la guerre en Ukraine) pour valider l'approche. Enfin, un défi supplémentaire consistera à tester le système avec les données du satellite géostationnaire Sentinel-4 pour atteindre une résolution temporelle encore plus fine.

L'industrialisation et l'urbanisation du XXe siècle ont entraîné une augmentation drastique des émissions anthropiques de polluants, faisant de la pollution atmosphérique le principal risque environnemental pour la santé selon l'Organisation mondiale de la santé (OMS), avec environ 3 millions de décès annuels attribués à la seule pollution de l'air extérieur. Pour faire face à cette problématique, des efforts ont été déployés à l'échelle mondiale pour réglementer les émissions. Cependant, la quantification précise des émissions anthropiques de polluants à haute résolution spatiale et temporelle, sur de longues périodes, est essentielle pour comprendre leur impact sur la chimie atmosphérique et le climat. Ces données sont également cruciales pour évaluer l'efficacité des politiques de réduction des émissions, affiner les stratégies d'atténuation et améliorer les prévisions de qualité de l'air.
Les inventaires d'émissions actuels, principalement basés sur des données déclaratives et agrégées au niveau national, sont entachés d'incertitudes significatives. De plus, le temps nécessaire pour collecter et mettre à jour ces données réduit leur pertinence dans les systèmes de simulation et de prévision de la qualité de l'air. Les récentes avancées en télédétection par satellite, en particulier avec des instruments comme Sentinel-5 Precursor (S5P) et les nouveaux Sentinel-4 et Sentinel-5, offrent une opportunité intéressante pour améliorer les estimations des émissions. Ces satellites fournissent une couverture spatiale et temporelle sans précédent, permettant de corriger les inventaires d'émissions sur une base quasi quotidienne à horaire lorsqu'ils sont combinés à des techniques d'assimilation de données. Cependant, gérer et exploiter les vastes quantités de données haute résolution qu'ils produisent reste un défi majeur.

L'objectif principal de ce projet de thèse est d'explorer des approches d'apprentissage profond pour développer un système capable d'estimer les émissions de polluants avec une haute résolution spatiale et temporelle, tout en permettant un traitement quasi en temps réel. Le ou la doctorant(e) se concentrera sur la création d'un cadre d'apprentissage profond multi-tâches conçu pour inférer les émissions totales à la résolution du pixel pour les polluants clés et pour distinguer les contributions des différents secteurs d'émission, tels que le trafic, le résidentiel et l'industrie.

Le projet s'appuiera sur des architectures de régression spatiale comme UNet ou UperNet et explorera des modèles d'observation de la Terre pré-entraînés tels que DOFA ou TerraMind. Un défi majeur et une innovation centrale de cette thèse consisteront à développer un système capable de séparer les émissions provenant de différentes sources en utilisant des observations spatiales des concentrations atmosphériques. Les données d'entraînement proviendront du modèle de chimie-transport CHIMERE, à partir de simulations incluant des perturbations des émissions sectorielles.
L'étude se concentrera sur les oxydes d'azote (NOx), polluants clés pour la qualité de l'air en tant que précurseurs d'ozone et de particules fines, et émis par divers secteurs. L'étude utilisera les observations haute résolution de NO de Sentinel-5P depuis 2018, complétées par d'autres polluants (SO, HCHO, CO) et des données auxiliaires telles que les types d'occupation des sols. Ces informations aideront à améliorer les performances du modèle d'apprentissage profond. Le système sera appliqué en Europe, en se concentrant sur des périodes de perturbations significatives des émissions, telles que la pandémie de COVID-19 et la guerre en Ukraine. Ces événements offrent des opportunités uniques pour tester et valider l'approche en raison de leurs signaux forts et détectables depuis l'espace. Enfin, un autre défi sera de tester le système en utilisant les données du satellite géostationnaire Sentinel-4, visant à atteindre une résolution temporelle bien plus élevée dans la surveillance des émissions.