Contexte
Cette thèse de doctorat s'inscrit dans le cadre de l'ANR 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 trois axes en développant des modèles génératifs probabilistes pour l'estimation quantitative des précipitations à partir d'observations satellitaires.
Programme de travail (indicatif)
1- 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. Plusieurs approches récentes visant à accélérer la génération, comme les modèles de cohérence ou le reverse Markov modeling, seront étudiées comme des candidats méthodologiques pour répondre à cette contrainte.
2.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.
3.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.
Compétences attendues
- Solides bases en apprentissage profond et intérêt pour les modèles génératifs (PyTorch).
- Intérêt pour les applications de l’IA à la télédétection spatiale, à la météorologie et à la climatologie.
- Goût pour l’expérimentation numérique, la rigueur statistique et l’analyse critique.
Encadrement
La thèse sera réalisé au sein de l’équipe projet ARCHES (INRIA Paris – LATMOS) co-encadrée par Cécile Mallet (LATMOS), Claire Monteleoni (INRIA), Aymeric Chazottes (LATMOS)
A partir de Janvier 2027 - Contact : Cécile Mallet