Couplage micro–méso assisté par IA pour l'estimation des émissions de NOx en lien avec le transport à partir des observations satellitaires Sentinel // AI-assisted micro-meso coupling for estimating transportat-related NOx emissions based on Sentinel sate

La pollution atmosphérique liée au transport constitue un enjeu environnemental et sanitaire majeur en milieu urbain, notamment du fait des émissions d'oxydes d'azote. Les politiques publiques récentes de réduction du trafic et de déploiement des zones à faibles émissions, ainsi que les travaux épidémiologiques sur l'impact du NO₂ sur la mortalité, soulignent l'importance de mieux quantifier ces émissions. Dans ce contexte, les observations satellitaires de Sentinel-5P/TROPOMI fournissent des informations globales et continues sur les colonnes troposphériques de NO₂ et ouvrent des perspectives nouvelles pour le suivi spatio-temporel des émissions.
Toutefois, l'exploitation quantitative de ces observations demeure limitée par les biais induits par une représentation incomplète des processus de dispersion atmosphérique à petite échelle. Les modèles atmosphériques mobilisés pour interpréter les données satellitaires opèrent principalement à l'échelle méso, alors que les mécanismes dominants de dispersion des polluants liés au transport relèvent de la micro-échelle : turbulence locale, effets de canyon urbain, interactions avec l'écoulement d'air ou encore effets liés au sillage des véhicules. Cette inadéquation d'échelle peut engendrer des erreurs de représentativité qui se répercutent directement sur l'estimation des émissions à partir des observations satellitaires.
La thèse vise ainsi à améliorer l'estimation des émissions de NOx liées au transport à partir des observations Sentinel, en renforçant la cohérence entre la physique de la dispersion à petite échelle et les modèles atmosphériques à l'échelle méso. Le projet s'appuiera pour cela sur l'analyse des mécanismes de dispersion micro-échelle, sur le développement de paramétrisations et de modèles de substitution assistés par l'IA, ainsi que sur leur intégration dans les chaînes de modélisation et d'estimation des émissions fondées sur les observations satellitaires. L'ambition est de réduire les biais dans l'estimation des émissions et de renforcer la robustesse des usages opérationnels des données spatiales pour la surveillance de la qualité de l'air.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Transport-related air pollution is a major environmental and public-health issue in urban areas, especially because of nitrogen oxide emissions. Recent public policies aimed at reducing traffic and implementing low-emission zones, together with epidemiological studies highlighting the impact of NO₂ on mortality, underline the need for improved quantification of these emissions. In this context, Sentinel-5P/TROPOMI satellite observations provide global and continuous information on tropospheric NO₂ columns and open new perspectives for the spatio-temporal monitoring of emissions.
However, the quantitative exploitation of these observations remains limited by biases induced by the incomplete representation of small-scale atmospheric dispersion processes. Atmospheric models used to interpret satellite data mainly operate at the meso-scale, whereas the dominant dispersion mechanisms associated with transport-related pollutants arise at the micro-scale, including local turbulence, street-canyon effects, airflow interactions and vehicle-wake effects. This scale mismatch may generate representativeness errors that directly affect emission estimates derived from satellite observations.
The PhD project therefore aims to improve the estimation of transport-related NOx emissions from Sentinel observations by strengthening the consistency between small-scale dispersion physics and meso-scale atmospheric models. To this end, the work will rely on the analysis of micro-scale dispersion mechanisms, the development of AI-assisted parameterizations and surrogate models, and their integration into modelling chains for satellite-based emission estimation. The overall objective is to reduce biases in emission estimates and to improve the robustness of operational uses of spaceborne observations for air-quality monitoring.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Autre type de financement - Autre type de financement,

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

579 Sciences Mécaniques et Energétiques, Matériaux et Géosciences

Le projet s'adresse à un ou une candidate titulaire d'un Master 2, ou diplôme équivalent, en mécanique des fluides, mathématiques appliquées, sciences de l'environnement ou science des données. Une appétence marquée pour la modélisation numérique, la CFD, l'analyse de données et les méthodes hybrides fondées sur l'IA est attendue. Une bonne maîtrise d'outils de programmation scientifique tels que Python, Matlab ou équivalent sera appréciée. Le ou la candidate devra également manifester un intérêt pour les problématiques de qualité de l'air, l'exploitation de données satellitaires et l'articulation entre modèles physiques, données d'observation et méthodes d'inversion. Un bon niveau d'anglais scientifique est souhaité. Ce profil s'inscrit ainsi dans une approche pluridisciplinaire associant modélisation, traitement de données et compréhension des mécanismes de dispersion et de transport des polluants atmosphériques.
The project is intended for applicants holding a Master's degree or equivalent in fluid mechanics, applied mathematics, environmental sciences or data science. A strong interest in numerical modelling, CFD, data analysis and hybrid AI-based approaches is expected. Experience in scientific programming tools such as Python, Matlab or equivalent will be appreciated. Candidates should also demonstrate an interest in air-quality issues, satellite data exploitation, and the interaction between physical models, observational data and inversion methods. Good scientific communication skills in English are preferred. This profile therefore fits within a multidisciplinary approach combining modelling, data processing, and an understanding of the mechanisms governing the dispersion and transport of atmospheric pollutants.