Thèse Couplage Micro-Méso Assisté par IA pour l'Estimation des Émissions de Nox en Lien avec le Transport à Partir des Observations Satellitaires Sentinel H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences Laboratoire de recherche : ESTACA'Lab Direction de la thèse : Amine MEHEL ORCID 0000000171367510 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-30T23:59:59 La pollution atmosphérique liée au transport constitue un enjeu environnemental et sanitaire majeur en milieu urbain, notamment du fait des émissions d'oxydes d'azote. Les politiques publiques récentes de réduction du trafic et de déploiement des zones à faibles émissions, ainsi que les travaux épidémiologiques sur l'impact du NO sur la mortalité, soulignent l'importance de mieux quantifier ces émissions. Dans ce contexte, les observations satellitaires de Sentinel-5P/TROPOMI fournissent des informations globales et continues sur les colonnes troposphériques de NO et ouvrent des perspectives nouvelles pour le suivi spatio-temporel des émissions.Toutefois, l'exploitation quantitative de ces observations demeure limitée par les biais induits par une représentation incomplète des processus de dispersion atmosphérique à petite échelle. Les modèles atmosphériques mobilisés pour interpréter les données satellitaires opèrent principalement à l'échelle méso, alors que les mécanismes dominants de dispersion des polluants liés au transport relèvent de la micro-échelle : turbulence locale, effets de canyon urbain, interactions avec l'écoulement d'air ou encore effets liés au sillage des véhicules. Cette inadéquation d'échelle peut engendrer des erreurs de représentativité qui se répercutent directement sur l'estimation des émissions à partir des observations satellitaires.La thèse vise ainsi à améliorer l'estimation des émissions de NOx liées au transport à partir des observations Sentinel, en renforçant la cohérence entre la physique de la dispersion à petite échelle et les modèles atmosphériques à l'échelle méso. Le projet s'appuiera pour cela sur l'analyse des mécanismes de dispersion micro-échelle, sur le développement de paramétrisations et de modèles de substitution assistés par l'IA, ainsi que sur leur intégration dans les chaînes de modélisation et d'estimation des émissions fondées sur les observations satellitaires. L'ambition est de réduire les biais dans l'estimation des émissions et de renforcer la robustesse des usages opérationnels des données spatiales pour la surveillance de la qualité de l'air. La pollution atmosphérique liée aux transports constitue un enjeu environnemental et sanitaire majeur en milieu urbain, en particulier celle liée des émissions d'oxydes d'azote (NOx), comme en témoignent les politiques publiques récentes de restriction du trafic et de la mise en place des zones à faibles émissions, ainsi que les études épidémiologiques mettant en évidence l'impact du NO sur la mortalité. Les satellites d'observation de la composition atmosphérique, notamment Sentinel-5 Precursor (TROPOMI), fournissent aujourd'hui des observations globales et continues des colonnes troposphériques de NO, offrant un levier unique pour le suivi spatio-temporel de ces émissions.Toutefois, l'exploitation quantitative de ces observations pour estimer les émissions reste limitée par des biais importants liés à la représentation incomplète des processus de dispersion atmosphérique, en particulier à petite échelle. Les modèles atmosphériques utilisés pour interpréter les observations satellitaires opèrent à l'échelle méso, alors que les mécanismes dominants de dispersion des polluants liés aux transports (turbulence, effets de canyon urbain, interactions avec les écoulements d'air) relèvent de la micro-échelle. Des travaux récents de simulation CFD (Mécanique des fluides numériques) ont notamment montré l'influence déterminante de la turbulence anisotrope et de la stabilité atmosphérique sur la dispersion des polluants en environnement urbain idéalisé. D'autres travaux d'ordre numérique et expérimental ont montré l'importance des structures tourbillonnaires turbulentes, créées par le mouvement des véhicules, dans le transport des polluants et donc de l'importance de la prise en compte de cette échelle locale (micro-échelle. Cette inadéquation d'échelle induit des erreurs de représentativité qui se répercutent directement sur l'estimation des émissions à partir des concentrations observées par satellite, comme largement documenté dans les travaux sur l'assimilation et l'exploitation des données de chimie atmosphérique, notamment au sein de modèles de référence tels que CHIMERE. Le projet s'inscrit dans le champ de l'usage scientifique et sociétal des observations spatiales pour la surveillance environnementale. Il répond à la nécessité d'améliorer l'estimation des émissions de NOx liées au transport à partir des observations Sentinel-5P/TROPOMI, en réduisant les biais de représentativité dus au décalage entre la micro-physique de la dispersion et les modèles méso-échelle utilisés dans les chaînes de modélisation. Il se situe à l'interface entre mécanique des fluides, modélisation atmosphérique, observation satellitaire et méthodes d'apprentissage, dans une perspective de meilleure surveillance de la pollution atmosphérique en milieu urbain. La méthodologie du projet s'articule autour de trois volets complémentaires.Le premier volet porte sur l'analyse et la modélisation de la dispersion micro-échelle des polluants liés au transport. Il s'appuiera sur des résultats expérimentaux et sur des simulations numériques fines afin d'identifier les mécanismes dominants de dispersion, notamment en environnement urbain, en tenant compte des effets de turbulence, de stabilité atmosphérique et d'interaction avec les obstacles.Le deuxième volet vise le développement de modèles de substitution et de paramétrisations assistés par l'IA. Il s'agira de construire des approches hybrides capables de représenter les effets micro-échelle sans recalcul explicite de toute la turbulence fine, au moyen de régressions apprises, de réseaux de neurones contraints par la physique et d'outils de type PINNs.Le troisième volet consistera à intégrer ces développements dans les chaînes de modélisation atmosphérique exploitant les observations Sentinel-5P, en lien avec les approches actuelles d'assimilation, d'estimation des émissions et de quantification des incertitudes. Les premiers mois de la thèse seront consacrés à une revue bibliographique approfondie, à la prise en main des données Copernicus et des outils de modélisation, ainsi qu'à la définition précise des cas d'étude.

Le projet s'adresse à un ou une candidate titulaire d'un Master 2, ou diplôme équivalent, en mécanique des fluides, mathématiques appliquées, sciences de l'environnement ou science des données. Une appétence marquée pour la modélisation numérique, la CFD, l'analyse de données et les méthodes hybrides fondées sur l'IA est attendue. Une bonne maîtrise d'outils de programmation scientifique tels que Python, Matlab ou équivalent sera appréciée. Le ou la candidate devra également manifester un intérêt pour les problématiques de qualité de l'air, l'exploitation de données satellitaires et l'articulation entre modèles physiques, données d'observation et méthodes d'inversion. Un bon niveau d'anglais scientifique est souhaité.Ce profil s'inscrit ainsi dans une approche pluridisciplinaire associant modélisation, traitement de données et compréhension des mécanismes de dispersion et de transport des polluants atmosphériques.

• Gestion des données
• Python
• Programmation
• Anglais
• Intelligence artificielle
• Analyse de données
• Mécanique des fluides
• MATLAB