Thèse Homogeneisaton de l'Estimation des Précipitations à l'Échelle Globale Approche par Modele Hybride Diffusion-Deterministe H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Géosciences, climat, environnement et planètes École doctorale : Sciences de l'Environnement d'Ile-de-France Laboratoire de recherche : Laboratoire Atmosphères, Milieux, Observations Spatiales Direction de la thèse : Cecile MALLET ORCID 0000000209433510 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-11T23:59:59 L'exploitation synergique des missions spatiales internationales constitue l'atout majeur : la couverture géostationnaire continue visible-infrarouge assurée par Meteosat MSG/MTG (Europe), GOES (USA) et Himawari (Asie-Pacifique), combinée aux mesures hyperfréquences de référence de la constellation GPM (orbite basse), offre la précision, la résolution spatio-temporelle nécessaire. Un des objectifs de la thèse est d'assurer dans un contexte multi-satellite la continuité de la précision et du biais d'estimation des précipitations indispensable pour caractériser l'impact du changement climatique sur les régimes de pluie planétaires. La thèse vise à développer et valider une architecture hybride diffusion-déterministe pour l'estimation des précipitations globales avec quantification des incertitudes. Les étapes spécifiques sont : (1) développer l'architecture hybride et l'entraîner sur 5 ans de données globales (2019-2023), (2) caractériser la variabilité spatio-temporelle des précipitations avec attention particulière aux événements extrêmes, et (3) établir un cadre méthodologique pour la propagation des incertitudes dans les études d'impacts climatiques. Dans un contexte de changement climatique, l'intensification du cycle de l'eau s'accompagne de modifications majeures des systèmes précipitants (intensité, extension spatiale, organisation). L'estimation quantitative des précipitations à l'échelle globale, avec une résolution et une stabilité compatibles avec l'analyse des impacts climatiques, demeure un défi majeur.
L'évaluation des tendances climatiques impose en outre des estimations cohérentes et homogènes dans le temps et entre capteurs, afin de distinguer les signaux climatiques réels des artefacts instrumentaux ou algorithmiques. Or, les approches actuelles d'apprentissage profond appliquées aux données satellitaires reposent majoritairement sur des estimations déterministes, sans quantification explicite des incertitudes, et exploitent encore imparfaitement la complémentarité de capteurs hétérogènes (géostationnaires visible-infrarouge et défilants micro-ondes).
Ce projet de thèse propose une approche innovante fondée sur une architecture hybride combinant modèles de diffusion probabilistes et réseaux déterministes, visant à produire des estimations de précipitations à haute résolution, assorties d'une quantification rigoureuse des incertitudes et d'une cohérence inter-capteurs renforcée. L'objectif est de maximiser la valeur scientifique des observations multi-sources (Meteosat MSG/MTG, GOES, Himawari, GPM) pour l'étude robuste de l'évolution des précipitations dans un climat en changement.
Objectif 1 : Développer une architecture hybride diffusion-déterministe pour l'estimation des précipitations avec quantification des incertitudes, validée sur 5 ans de données globales (2019-2023).
Objectif 2 : Caractériser la variabilité spatio-temporelle des précipitations à l'échelle globale et régionale, avec attention particulière aux événements extrêmes et zones tropicales.
Objectif 3 : Quantifier les incertitudes associées aux estimations et établir un cadre méthodologique pour leur propagation dans les études d'impacts climatiques et les évaluations de tendance à l'échelle régionale.
Année 1: État de l'art approfondi (modèles de diffusion, télédétection précipitations). Appropriation de la base de données (co-localisation MSG/MTG-GPM) et exploration d'un premier modèle hybride diffusion-déterministe exploratoire développé par l'équipe encadrante , tests de généralisation et évaluation des incertitudes obtenues.
Année 2: Développement de l'architecture hybride diffusion-déterministe. Entraînement sur données globales 2019-2021. Validation et analyse des incertitudes sur régions tests.
Année 3 : Analyse approfondie de la variabilité spatio-temporelle. Étude des événements extrêmes. Validation inter-comparaison avec produits opérationnels (IMERG, GSMaP). Rédaction et soutenance.

Intérêt pour les applications de l'IA à la télédétection spatiale, à l'observation de la terre et à la climatologie.
Connaissances et Intérêt pour l'apprentissage profond et les modèles génératifs (PyTorch).