Doctorat ANR AICAtS M/F

Job Description

Thesis Subject

Titre : Quantification des incertitudes et de la confiance dans les tendances climatiques de précipitation issues d'archives satellitaires hétérogènes à l'aide de modèles génératifs
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 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.
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.
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.

Your Work Environment

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 trois axes en développant des modèles génératifs probabilistes pour l'estimation quantitative des précipitations à partir d'observations satellitaires.

Constraints and risks

Cette thèse s'attaque aux défis fondamentaux de l'IA moderne pour la télédétection : inférence probabiliste conditionnelle, calibration des incertitudes et généralisation hors distribution.. Contrairement aux approches déterministes (sans quantification d'incertitude) ou génératives pures (instables pour analyses long terme), notre méthode vise stabilité, reproductibilité et caractérisation des extrêmes. Le projet s'articule autour de collaborations internationales (Shruti Upadhyaya, enseignante et chercheuse à l'IIT Hyderabad (Inde) et Pierre-Emmanuel Kirstetter membre de Advanced Radar Research Center (ARRC) chercheur à l'université d'Oklahoma)

Compensation and benefits

Compensation

2300 € gross monthly

Annual leave and RTT

44 jours

Remote Working practice and compensation

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

About the offer

About the CNRS

The CNRS is a major player in fundamental research on a global scale. The CNRS is the only French organization active in all scientific fields. Its unique position as a multi-specialist allows it to bring together different disciplines to address the most important challenges of the contemporary world, in connection with the actors of change.

CNRS

The research professions