Thèse Quantification des Incertitudes et de la Confiance dans les Tendances Climatiques de Précipitation Issues d'Archives Satellitaires Hétérogènes à l'Aide de Modèles Génératifs 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 : 2027-01-01 Date limite de candidature : 2026-11-11T23:59:59 Cette thèse s'inscrit dans le projet AICAtS (Défis de l'intelligence artificielle en sciences atmosphériques, ANR AAPG 2026), qui identifie trois défis majeurs pour l'IA appliquée à l'atmosphère : modéliser la stochasticité des phénomènes physiques par des modèles probabilistes génératifs (KC1), généraliser les méthodes à des situations physiques et instrumentales variées (KC2), et quantifier l'incertitude des prédictions (KC3). La thèse abordera ces trois enjeux dans le contexte de l'estimation quantitative des précipitations à partir d'observations satellitaires.

Positionnement scientifique

Les précipitations sont essentielles à l'étude du climat, des extrêmes hydrologiques et de la ressource en eau, mais restent difficiles à observer en raison de leur forte variabilité spatio-temporelle, de la complexité des processus microphysiques et du caractère indirect des mesures satellitaires. Les radiomètres micro-ondes permettent une observation globale, mais l'inversion des températures de brillance en précipitation demeure un problème fortement sous-déterminé.

La thèse s'appuie sur plusieurs développements récents du LATMOS. DRAIN (Viltard et al., 2023) a montré l'intérêt des réseaux convolutifs pour l'estimation des précipitations à partir de GMI et introduit la régression quantile pour représenter leur variabilité. Les travaux de Sambath Vibolroth (2025) et Victor Enescu (2026) abordent la généralisation aux différents radiomètres de la constellation GPM, notamment par adaptation de domaine. Enfin, les travaux de Matthieu Meignin (2025, 2026) montrent le potentiel des modèles génératifs pour l'estimation probabiliste des précipitations à partir des observations infrarouges géostationnaires.

Objectifs

1. Développer une inversion probabiliste des observations micro-ondes.
À partir de GMI, développer un modèle génératif capable de produire plusieurs réalisations plausibles des champs de précipitation et de quantifier explicitement l'incertitude, au-delà de la régression quantile utilisée dans DRAIN.

2. Généraliser l'approche à la constellation GPM.
Étendre le modèle aux différents radiomètres afin de limiter les hétérogénéités instrumentales et de contribuer à la constitution de séries de précipitations homogènes adaptées aux applications climatiques.

3. Évaluer et calibrer les incertitudes.
Développer un cadre d'évaluation des produits probabilistes permettant d'analyser leur calibration, leur cohérence spatiale et la pertinence de l'information d'incertitude selon les usages.

La contribution attendue est ainsi un cadre probabiliste multi-capteurs et multi-échelle pour l'estimation et l'évaluation des précipitations satellitaires, reliant les propriétés statistiques des ensembles générés aux besoins des applications scientifiques et climatiques. Les séries homogènes de précipitations sont indispensables pour détecter les tendances climatiques, étudier les extrêmes hydrologiques et la gestion des ressources en eau. Les précipitations restent difficiles à observer en raison de leur forte variabilité spatiale et temporelle, de la complexité des processus microphysiques qui les gouvernent et du caractère indirect des mesures disponibles.
Les observations satellitaires offrent une couverture globale indispensable au suivi du cycle de l'eau à l'échelle planétaire. Elles permettent d'étudier les tendances climatiques, les interactions entre océan, atmosphère et continents, ainsi que l'évolution des régimes de précipitations. L'estimation des précipitations à partir de mesures radiométriques satellitaires repose sur l'analyse de signatures indirectes dont l'interprétation dépend de la microphysique des nuages, de leur structure verticale et des conditions atmosphériques. Le développement de méthodes d'inversion et de correction adaptées est donc essentiel pour améliorer la qualité des estimations.
Les avancées récentes en intelligence artificielle ouvrent de nouvelles perspectives pour la télédétection des précipitations. Cette thèse s'appuie sur plusieurs développements récents menés au LATMOS qui constituent les briques méthodologiques nécessaires à cette ambition.
Le premier concerne l'inversion des observations micro-ondes passives. Les travaux ayant conduit au développement de l'algorithme DRAIN (Viltard et al., 2023) ont montré qu'un modèle convolutif de type U-Net permettait d'améliorer significativement l'estimation quantitative des précipitations à partir des températures de brillance du radiomètre GMI. Toutefois, DRAIN, bien qu'il permette d'estimer plusieurs quantiles de précipitation grâce à une approche de régression quantile, ne modélise pas explicitement l'ensemble de la distribution conditionnelle associée aux observations radiométriques.
Le second développé dans les travaux de Sambath Vibolroth (Sambath, et al, 2025) concerne la généralisation aux différents radiomètres de la constellation GPM. Plus récemment de Victor Enescu (Enescu et al., 2026) utilise des approches d'adaptation de domaine fondées sur le Conditional Flow Matching, ces travaux visent à transférer les performances obtenues avec GMI vers les autres capteurs micro-ondes de la constellation, afin de construire des produits de précipitation homogènes malgré la diversité instrumentale.
Enfin, dans sa thèse, Matthieu Meignin montre l'intérêt des modèles génératifs pour l'estimation des précipitations à partir des observations infrarouges géostationnaires, en comparaison avec les approches déterministes classiques (Meignin et al., 2025 ; Meignin et al., 2026). Ces travaux constituent une première démonstration du potentiel des modèles probabilistes pour mieux représenter la complexité des relations entre observations satellitaires IR et précipitations.
Cette thèse de doctorat s'inscrit dans le cadre du projet AICAtS (Défis de l'intelligence artificielle en sciences atmosphériques, ANR AAPG 2026), qui identifie trois défis scientifiques majeurs pour l'intelligence artificielle appliquée aux sciences de l'atmosphère : la modélisation de la stochasticité inhérente des phénomènes physiques par des modèles probabilistes génératifs (KC1), la généralisation à des situations physiques et instrumentales variées (KC2), et la quantification de l'incertitude des prédictions (KC3). Si ces questions ont déjà été largement étudiées dans les applications classiques de l'apprentissage automatique, leur transposition aux observations géophysiques demeure largement ouverte en raison de la nature fortement sous-déterminée des problèmes inverses, des multiples échelles spatio-temporelles en jeu et de l'hétérogénéité des systèmes d'observation. Cette thèse contribuera à ces axes en développant des modèles génératifs probabilistes pour l'estimation quantitative des précipitations à partir d'observations satellitaires Premier objectif : modèles génératifs probabilistes pour l'inversion radiométrique
Le premier objectif de la thèse sera de développer, à partir du radiomètre GMI, un modèle génératif probabiliste capable d'estimer la distribution des champs de précipitation compatibles avec les observations. Contrairement à l'algorithme DRAIN (Viltard et al., 2023), basé sur la regression quantile, ce modèle produira un ensemble de réalisations plausibles des champs précipitants et associera à chaque estimation une quantification explicite de l'incertitude.
La restitution des précipitations à partir de mesures radiométriques vise à produire des ensembles probabilistes représentant la diversité des champs de pluie compatibles avec les observations. Une attention particulière sera portée à la distinction entre les incertitudes liées à l'inversion radiométrique et celles associées au changement d'échelle spatiale. DRAIN permet déjà d'estimer les précipitations à haute résolution à partir des températures de brillance, mais certaines structures fines du champ de pluie restent faiblement contraintes par l'information disponible. La thèse cherchera ainsi à identifier quelles composantes du champ de précipitation sont effectivement déterminées par les observations et comment représenter de manière calibrée la variabilité non observable.
L'objectif est ensuite de développer des méthodes permettant de générer rapidement ces ensembles probabilistes, qui seront par la suite utilisées sur de longues archives satellitaires. Les modèles génératifs actuels, notamment les modèles de diffusion et de flow matching, offrent des capacités importantes mais restent limités par leur coût d'échantillonnage (Xiao, Kreis & Vahdat, 2022). Plusieurs approches récentes visant à accélérer la génération, comme les modèles de cohérence ou le reverse Markov modeling (Shen et al., 2025), seront étudiées comme des candidats méthodologiques pour répondre à cette contrainte.
Le reverse Markov modeling, récemment appliqué au downscaling climatique dans le modèle EnScale (Schillinger et al., 2025), présente un intérêt particulier par sa capacité à réduire le coût de génération. Toutefois, son transfert à la restitution radiométrique doit être évalué avec précaution : contrairement au downscaling, il ne s'agit pas de reconstruire un champ à partir d'une version dégradée du même champ, mais d'inférer une variable physique à partir d'observations indirectes. La thèse cherchera donc à déterminer si ces stratégies de décomposition permettent d'obtenir des ensembles rapides et correctement calibrés dans un contexte où une partie importante de l'information est perdue dès l'étape d'observation.
Second objectif : généralisation à l'ensemble de la constellation GPM
Le second objectif sera d'étendre ce cadre probabiliste à l'ensemble des radiomètres de la constellation GPM. La combinaison des observations micro-ondes issues de plusieurs satellites est indispensable pour produire des séries climatiques présentant une couverture temporelle suffisante. Toutefois, les différences de géométrie d'observation, de résolution spatiale, de sensibilité radiométrique et de durée de vie des instruments introduisent des hétérogénéités susceptibles d'affecter les tendances climatiques observées.
La thèse développera ainsi un modèle génératif conditionné simultanément par les caractéristiques instrumentales des différents radiomètres et par l'usage scientifique visé. Le conditionnement instrumental permettra de généraliser l'inversion apprise sur GMI aux autres capteurs de la constellation, tandis que le conditionnement par la tâche scientifique pourra être représenté par un vecteur de priorités pondérant la détection des précipitations, leur localisation, leur intensité et la représentation des événements extrêmes. Le modèle pourra ainsi produire, pour une même observation, des ensembles probabilistes adaptés à différents usages (études climatiques globales, de modélisation hydrologique, d'analyse des risques d'inondation, étude des extrêmes ou caractérisation des sécheresses)
Le verrou scientifique de la thèse consiste à concilier trois exigences contradictoires : représenter explicitement les multiples solutions compatibles avec une observation, garantir une génération suffisamment rapide pour traiter plusieurs décennies d'archives satellitaires, et préserver la cohérence physique entre capteurs et entre échelles spatiales.
Troisième objectif : évaluation probabiliste des produits de précipitation et calibration des incertitudes
Le troisième objectif de la thèse sera de développer un cadre d'évaluation adapté aux produits probabilistes de précipitation. L'enjeu n'est pas uniquement de comparer les performances de différentes architectures génératives, mais de déterminer dans quelle mesure les ensembles produits représentent une incertitude fiable et utile pour les applications scientifiques. Leur évaluation devra ainsi dépasser les critères déterministes, mais aussi probabilistes, classiques. L'objectif sera d'identifier et de créer des critères adaptés aux spécificités des précipitations, pour analyser la calibration, la cohérence spatiale et la pertinence des informations probabilistes selon les usages considérés.
Les ensembles générés seront analysés à différentes résolutions afin de distinguer les structures effectivement contraintes par les observations radiométriques et celles issues d'une reconstruction statistique. Le cadre proposé considérera séparément plusieurs dimensions de l'incertitude associées aux usages des produits : détection des précipitations, localisation spatiale, restitution des intensités et représentation des événements extrêmes. L'objectif sera d'identifier les limites et les domaines de validité des ensembles probabilistes plutôt que de rechercher une amélioration globale d'un score unique.
Cette approche sera prolongée par l'introduction d'un conditionnement explicite lié aux objectifs scientifiques des utilisateurs. Les priorités applicatives (détection, localisation, intensité ou extrêmes) pourront être intégrées dans la génération des ensembles afin d'adapter les produits aux besoins spécifiques des applications climatiques et hydrologiques. L'évaluation permettra alors de vérifier que cette spécialisation améliore l'information ciblée tout en conservant une représentation cohérente des autres composantes d'incertitude.

Master 2 ou diplôme d'ingénieur en intelligence artificielle, apprentissage automatique, science des données, traitement du signal et de l'image, sciences de l'atmosphère ou domaine connexe, avec une solide formation quantitative.
Compétences scientifiques et techniques :
Solides bases en apprentissage automatique et deep learning, notamment réseaux de neurones convolutifs et modèles génératifs ;
Intérêt ou expérience en modélisation probabiliste, inférence statistique et quantification de l'incertitude ;
Bonnes connaissances en statistiques et probabilités, notamment pour l'analyse et l'évaluation de distributions ;
Maîtrise de Python et des principaux outils de calcul scientifique et de deep learning (PyTorch ou équivalent) ;
Une connaissance de la télédétection, des observations satellitaires, de la météorologie ou des sciences de l'atmosphère serait un atout, mais ne constitue pas nécessairement un prérequis.
Bonne capacité à communiquer les résultats scientifiques, à l'écrit comme à l'oral, en anglais

• Statistiques
• Python
• Anglais
• Machine learning