Thèse Analyse de l'Impact du Milieu Urbain Parisien sur les Systèmes Précipitants à Partir d'Un Trio de Radars Profileurs en Bande X H/F - Université Paris-Saclay GS Géosciences, climat, environnement et planètes

Établissement : Université Paris-Saclay GS Géosciences, climat, environnement et planètes
École doctorale : Sciences de l'Environnement d'Ile-de-France
Laboratoire de recherche : Laboratoire Atmosphères, Milieux, Observations Spatiales
Direction de la thèse : Laurent BARTHES ORCID 0000000157365041
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-30T23:59:59

L'étude de l'impact du milieu urbain sur les précipitations est un axe de recherche majeur de l'équipe Météorologie & Climat du LATMOS. En effet, l'implantation de zones urbaines modifie les échanges thermiques et hydriques entre l'atmosphère et la surface par rapport au terrain rural initial. Les conséquences pour les précipitations vont être les suivantes : (1) une modification de la circulation atmosphérique qui peut impacter le régime de précipitations, (2) une couche limite plus instable qui peut favoriser la formation de cellules de convection, (3) une modification de l'humidité et de la concentration en aérosols qui pourra influencer la microphysique des nuages. Cependant, l'influence exacte de ces processus sur les précipitations est difficile à établir, du fait de la complexité de leurs interactions, et de leur importante variation suivant la ville en question. Tout ceci rend délicat l'établissement de conclusions générales sur l'impact du milieu urbain sur les précipitations.

Dans le but d'améliorer la compréhension de cet impact sur la ville de Paris, notre équipe a pour projet de déployer 3 radars météorologiques sur 3 sites en région parisienne, sur un axe parallèle à la trajectoire moyenne des systèmes précipitants. Il s'agira d'analyser les variations des variables météorologiques radar observées sur chacun des 3 sites en vue d'apprécier l'impact du milieu parisien sur les cellules de pluie et de proposer des interprétations possibles. Notre choix s'est porté sur ROXI, radar de pluie développé au LATMOS depuis 2016. Fonctionnant en bande X et pointant au zénith, ROXI permet de réaliser des profils de spectres Doppler (i.e. des spectres de réflectivité des hydrométéores en fonction de leur vitesse verticale) des systèmes précipitants le survolant entre 0 et 13 km d'altitude. Compact et faible puissance, cet instrument peut facilement être déployé sur un site d'intérêt pour y réaliser des observations locales des précipitations sur une période définie. De plus, les sites retenus sont déjà équipés de plateformes météorologiques, qui apporteront un contexte météorologique aux données ROXI. Ce projet de thèse s'inscrit directement dans cette campagne d'observations dont l'objectif général est le suivi et la caractérisation des systèmes précipitants survolant Paris afin de mieux comprendre comment la ville les impacte « toutes choses égales par ailleurs ».

L'approche proposée est la suivante. Dans un premier temps, un pré-traitement devra permettre de sélectionner les cellules de pluies potentiellement intéressantes observées par le radar ROXI du SIRTA, en activité depuis février 2025, afin de constituer une base de données de séries temporelles de spectrogrammes Doppler. Cette base de données permettra une analyse « par cellule pluvieuse » et sera complétée à mesure que les 2 autres radars seront déployés. A l'aide de techniques de machine learning, il s'agira de développer une méthode capable de représenter dans un espace latent de dimension réduite ces séries temporelles de spectrogrammes. L'étape suivante consistera à partitionner les cellules à l'aide d'une méthode de clustering puis de labelliser les différentes classes de cellules de pluie identifiées. L'attribution d'un type de système précipitant à un groupe de cellules pourra être réalisée en s'appuyant sur les mesures des instruments du SIRTA. Dès qu'un volume suffisant d'observations sur les 3 sites aura été obtenu, le modèle de clustering sera utilisé pour labéliser les systèmes précipitants survolant les 3 sites. Une même cellule pourra être identifiée et suivie d'un radar à l'autre en s'appuyant sur les produits de Météo-France. L'objectif sera alors d'analyser les changements ou non de la classe des cellules lors de leur passage au-dessus de Paris, et d'essayer de les corréler à des variations des paramètres météorologiques pertinents. Cette analyse sera renforcée au fur et à mesure que de nouvelles cellules sont observées par le trio de radars.

L'implantation de zones urbaines modifie les échanges thermiques et hydriques entre l'atmosphère et la surface par rapport au terrain rural initial. Les conséquences pour les précipitations sont multiples : (1) modification de la circulation atmosphérique qui peut impacter le régime de précipitations, (2) une couche limite plus instable qui peut favoriser la formation de cellules de convection, (3) une modification de l'humidité et de la concentration en aérosols qui pourra influencer la microphysique des nuages. Cependant, l'influence exacte de ces processus sur les précipitations est difficile à établir, du fait de la complexité de leurs interactions, et de leur importante variation suivant la ville en question. Tout ceci rend délicat l'établissement de conclusions générales sur l'impact du milieu urbain sur les précipitations.

Étude de l'impact des îlots de chaleur urbains sur les précipitations et leur microphysique. Mise en relation avec des paramètres météorologiques pertinents

Participation au déploiement et campagne de mesure de 3 radars à visée verticale sur 3 sites météorologiques de la région parisienne.
Analyse par cellule de pluie à l'aide de méthodes de machine learning et de modèles issus de l'IA.
Mise en relation avec différentes variables météorologiques

Le candidat.e sera issu.e d'une formation en sciences de l'environnement avec une expertise dans le domaine du machine learning ou issu.e d'une formation en sciences des données avec un engagement à se former en science de l'environnement.
Dans tous les cas, une bonne maitrise en modélisation statistiques et la pratique des outils informatiques sous python est indispensable. La connaissance de l'environnement Pytorch est un plus. Un intérêt pour les campagnes de mesure est également un plus.