Inférence bayésienne de nouvelle génération pour les sciences de la Terre et de l'espace. // Next-generation Bayesian inference for Earth and Space Science.

Grâce aux progrès réalisés dans le domaine de l'observation spatiale, il existe désormais de vastes ensembles de données à haute résolution permettant d'étudier le climat terrestre, ainsi que les environnements martien et lunaire. L'extraction d'informations physiques à partir de ces ensembles de données implique la résolution de problèmes inverses complexes qui relient les mesures à leurs causes sous-jacentes. Ce projet de thèse se concentre sur les méthodes bayésiennes permettant d'estimer les paramètres physiques à partir de données de télédétection à haute dimension. Plutôt que de s'appuyer sur des hypothèses traditionnelles, il utilise des modèles d'IA générative modernes, en particulier des modèles de diffusion, afin de mieux représenter les a priori et d'échantillonner la distribution de probabilité a-posteriori. Ce travail vise également à améliorer l'efficacité de l'inférence en réduisant la dimensionnalité, en réutilisant les calculs et en combinant plusieurs mesures. Le (la) doctorant(e) développera, testera et validera ces méthodes. Elles seront ensuite appliquées par à des études de cas sélectionnées afin de cartographier les surfaces de Mars, de la Lune et de la Terre à l'aide des données issues des missions spatiales actuelles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Thanks to advances in space observation, large, high-resolution datasets are now available for studying Earth's climate, as well as the environments of Mars and the Moon. Extracting physical information from these datasets involves solving complex inverse problems that link measurements to their underlying causes. This PhD programme focuses on Bayesian methods for estimating physical parameters from high-dimensional remote sensing data. Rather than relying on traditional assumptions, it uses modern generative AI models, particularly diffusion models, to better represent priors and sample the posterior probability distribution. The work also aims to improve inference efficiency by reducing dimensionality, reusing computations, and combining multiple measurements. The PhD candidate will develop, test and validate these methods. They will then be applied by him (her) to selected case studies for mapping the surfaces of Mars, the Moon and Earth using data from current space missions.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral

Concours pour un contrat doctoral

Université Grenoble Alpes

47 PHYS - Physique

Master en astrophysique, science des données (statistiques, inférence et apprentissage automatique) ou en télédétection physique/observation de la Terre. Fortes compétences en programmation scientifique (python, R). Important: L'appel à candidatures sera ouvert du 2 février au 13 mars 2026, aux étudiants français et étrangers sur le site Internet du CNES (https://recrutement.cnes.fr/fr/annonces) ! Annonce 26-182 Next-generation Bayesian inference for Earth and Space Science
Master's degree in astrophysics, data science (statistics, inference, and machine learning), or physical remote sensing/Earth observation. Strong skills in scientific programming (python, R). Beware: The call for applications will be open from February 2 to March 13, 2026, to French and foreign students on the CNES website (https://recrutement.cnes.fr/fr/annonces). Application 26-182 Next-generation Bayesian inference for Earth and Space Science