Estimation des émissions de polluants depuis l'espace à l'aide de l'apprentissage profond // Estimation of pollutant emissions from space using deep Learning

L'industrialisation et l'urbanisation du XXe siècle ont fortement accru les émissions de polluants d'origine anthropique, faisant de la pollution atmosphérique le principal risque environnemental pour la santé selon l'OMS (environ 3 millions de décès annuels). Bien que des réglementations aient été mises en place, les inventaires d'émissions actuels, basés sur des données auto-déclarées et agrégées, souffrent d'incertitudes majeures et de mises à jour trop lentes pour être efficaces dans les modèles de qualité de l'air.
Les avancées récentes en télédétection par satellite (comme Sentinel-5P, Sentinel-4 et Sentinel-5) offrent une opportunité prometteuse pour améliorer ces estimations grâce à leur couverture spatio-temporelle inédite. Cependant, l'exploitation de ces données haute résolution reste un défi.

Ce projet de thèse vise à développer un système d'apprentissage profond capable d'estimer les émissions de polluants avec une haute résolution spatio-temporelle et en temps quasi réel. Le ou la doctorant(e) devra concevoir un cadre d'apprentissage multi-tâches pour :
- Estimer les émissions totales à l'échelle du pixel pour des polluants clés (comme les NOx, précurseurs de l'ozone et des particules fines).
- Distinguer les contributions sectorielles (trafic, résidentiel, industrie) en exploitant des observations satellitaires (NO₂, SO₂, CO, etc.) et des données auxiliaires (occupation des sols).
L'étude s'appuiera sur des simulations du modèle de chimie-transport CHIMERE pour entrainer le modèle d'apprentissage et se concentrera sur l'Europe, en analysant des périodes de perturbations majeures (comme la pandémie de COVID-19 ou la guerre en Ukraine) pour valider l'approche. Enfin, un défi supplémentaire consistera à tester le système avec les données du satellite géostationnaire Sentinel-4 pour atteindre une résolution temporelle encore plus fine.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The 20th-century industrialization and urbanization have drastically increased anthropogenic pollutant emissions, making air pollution the leading environmental health risk (WHO: ~3 million annual deaths). While emission regulations exist, current inventories—based on self-reported, aggregated data—suffer from major uncertainties and slow updates, limiting their effectiveness in air quality models.
Recent satellite advancements (e.g., Sentinel-5P, Sentinel-4/5) offer unprecedented spatiotemporal coverage to improve emission estimates, but managing high-resolution data remains challenging.

This PhD project aims to develop a deep learning system for high-resolution, near-real-time pollutant emission estimation. The student will design a multi-task framework to:
- Infer total emissions at pixel level for key pollutants (e.g., NOx, precursors to ozone and particulate matter).
- Disaggregate sectoral contributions (traffic, residential, industry) using satellite observations (NO₂, SO₂, CO,...) and auxiliary data (land cover).
The study will use simulations from the CHIMERE model for training, focusing on Europe and leveraging high-impact events (e.g., COVID-19, Ukraine war) for validation. A final challenge will test the system with geostationary Sentinel-4 data to achieve even higher temporal resolution.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université Paris Cité

129 Sciences de l'Environnement d'Ile-de-France

• Formation : interdisciplinaire (apprentissage automatique + sciences de l'atmosphère) ou solides compétences dans l'un des deux domaines avec forte motivation pour apprendre l'autre. • Compétences techniques : maîtrise de Python/Linux ; expérience avec de grands jeux de données est un atout. • État d'esprit : intérêt pour la recherche interdisciplinaire et pour des applications à fort impact sociétal.
- Background: Interdisciplinary (ML + atmospheric science) or strong skills in one field with motivation to learn the other. - Technical: Proficiency in Python/Linux; experience with large datasets is a plus. - Mindset: Interest in interdisciplinary research and real-world impact.