Thèse Développement et Exploitation de Modèles de Fondation en Intelligence Artificielle pour la Prévision de la Météorologie de l'Espace H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Physique École doctorale : Astronomie et Astrophysique d'Ile de France Laboratoire de recherche : Laboratoire Atmosphères, Milieux, Observations Spatiales Direction de la thèse : Mustapha MEFTAH ORCID 0000000189902526 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-15T23:59:59 La météorologie de l'espace désigne l'ensemble des phénomènes physiques se produisant dans l'environnement spatial proche de la Terre sous l'influence de l'activité solaire. Le Soleil, en tant que source principale d'énergie du système Soleil-Terre, est à l'origine de nombreuses perturbations telles que les éruptions solaires, les éjections de masse coronale et les variations du vent solaire. Ces événements peuvent avoir des conséquences significatives sur les systèmes technologiques modernes, en affectant notamment les satellites, les communications radio, les systèmes de navigation par satellite et les réseaux électriques.Les tempêtes solaires peuvent entraîner une augmentation des flux de particules énergétiques dans les ceintures de radiation, perturber l'ionosphère, dégrader la qualité des signaux GNSS et accroître la traînée atmosphérique des satellites en orbite basse. Dans un contexte de dépendance croissante aux infrastructures spatiales, l'amélioration des capacités de prévision de la météorologie de l'espace constitue un enjeu stratégique majeur.

Cependant, la prévision de ces phénomènes reste un défi scientifique important. Elle est limitée par la complexité des interactions entre le Soleil et la Terre, la nature non linéaire et multi-échelle des processus physiques en jeu, ainsi que par l'hétérogénéité et le volume des données disponibles. Les approches traditionnelles, fondées sur des modèles physiques ou statistiques, peinent à capturer l'ensemble de ces dynamiques complexes.

Dans ce contexte, les avancées récentes en intelligence artificielle, et en particulier l'émergence des modèles de fondation, offrent des perspectives nouvelles pour l'analyse et l'exploitation de grandes masses de données spatiales. Ces modèles, pré-entraînés sur des ensembles de données massifs, sont capables d'apprendre des représentations riches et transférables, facilitant leur adaptation à des tâches spécifiques via des techniques de fine-tuning.

L'objectif de cette thèse est d'explorer le potentiel des modèles de fondation pour améliorer la détection, la caractérisation et la prévision des événements de météorologie de l'espace. Le travail s'appuiera sur l'exploitation conjointe de différentes sources de données, incluant des séries temporelles d'irradiance solaire, notamment dans le domaine des rayons X, des observations multi-spectrales de la couronne solaire, ainsi que des indicateurs décrivant l'état de l'environnement spatial terrestre.

Une attention particulière sera portée à l'adaptation des modèles de fondation aux spécificités des données de météorologie spatiale, caractérisées par leur hétérogénéité, leur bruit et leur structure multi-échelle. Il s'agira également d'évaluer les performances de ces modèles par rapport aux approches existantes, en termes de précision, de robustesse et de capacité de généralisation.

Par ailleurs, la thèse intégrera une dimension importante d'interprétabilité, visant à analyser les résultats des modèles en lien avec les mécanismes physiques sous-jacents. Cette approche permettra non seulement de renforcer la confiance dans les prédictions, mais aussi de mieux comprendre les phénomènes étudiés.

Enfin, les travaux viseront à intégrer les modèles développés dans des chaînes de traitement opérationnelles, afin de produire des outils de prévision fiables, rapides et exploitables par les acteurs du secteur spatial. Cette thèse s'inscrit ainsi à l'interface entre physique solaire, science des données et ingénierie des systèmes spatiaux, avec pour ambition de contribuer au développement de nouvelles capacités de prévision au service de la résilience des infrastructures face aux aléas de l'activité solaire. La météorologie de l'espace étudie les phénomènes physiques se produisant dans l'environnement spatial proche de la Terre sous l'influence de l'activité solaire. Le Soleil, en tant que source principale d'énergie du système Soleil-Terre, génère en permanence des perturbations telles que les éruptions solaires, les éjections de masse coronale et les variations du vent solaire. Ces phénomènes modifient l'état du milieu interplanétaire et peuvent affecter directement l'environnement terrestre.

Lors d'événements intenses, comme les tempêtes solaires, d'importantes quantités de particules énergétiques et de rayonnements électromagnétiques sont émises. Ces perturbations peuvent entraîner des effets significatifs sur les systèmes technologiques modernes : dégradation des communications radio, perturbations des systèmes de navigation par satellite (GNSS), augmentation de la traînée atmosphérique des satellites en orbite basse, voire impacts sur les réseaux électriques au sol. Dans un contexte de dépendance croissante aux infrastructures spatiales, la compréhension et la prévision de ces phénomènes constituent un enjeu scientifique et opérationnel majeur.

L'étude de la météorologie de l'espace repose sur l'exploitation de nombreuses sources de données issues d'observations solaires et de mesures in situ. Parmi celles-ci, les données d'irradiance solaire, notamment dans le domaine des rayons X et de l'ultraviolet, jouent un rôle clé pour caractériser les processus énergétiques se produisant dans la couronne solaire. Ces émissions, qui atteignent la Terre en quelques minutes, permettent de détecter rapidement les événements solaires et d'en estimer l'intensité.

Cependant, la prévision de la météorologie de l'espace reste un défi complexe. Elle implique des interactions non linéaires entre différentes régions du système Soleil-Terre et des processus physiques se déroulant sur des échelles spatiales et temporelles variées. Les modèles physiques existants, bien que fondamentaux pour la compréhension des mécanismes en jeu, présentent des limites en termes de précision et de capacité de prévision à court et moyen terme. De leur côté, les approches statistiques traditionnelles peinent à exploiter pleinement la richesse et la diversité des données disponibles.

Dans ce contexte, les avancées récentes en intelligence artificielle offrent de nouvelles perspectives. Les modèles d'apprentissage profond, et plus récemment les modèles de fondation, permettent de traiter efficacement de grandes quantités de données hétérogènes et d'extraire des représentations complexes. Leur capacité à intégrer des données multimodales (séries temporelles, images, mesures in situ) et à capturer des dépendances à différentes échelles en fait des outils particulièrement adaptés aux problématiques de la météorologie de l'espace.

Ainsi, le développement de méthodes basées sur l'intelligence artificielle, en complément des approches physiques, constitue une voie prometteuse pour améliorer la détection, la compréhension et la prévision des phénomènes liés à l'activité solaire. Ce travail s'inscrit dans cette dynamique interdisciplinaire, à l'interface entre physique solaire, science des données et ingénierie des systèmes spatiaux, avec pour objectif de répondre aux enjeux scientifiques et opérationnels liés à la variabilité de l'environnement spatial. Développer et exploiter des modèles de fondation en intelligence artificielle afin d'améliorer la prévision des phénomènes de météorologie de l'espace et de leurs impacts sur les systèmes spatiaux et terrestres. La méthodologie de cette thèse s'inscrit dans une approche interdisciplinaire combinant intelligence artificielle avancée, physique solaire et analyse de données multimodales. Elle est structurée autour de plusieurs étapes complémentaires allant de la gestion des données à l'intégration opérationnelle des modèles développés.

La première étape concerne la collecte et la préparation des données. Elle repose sur l'acquisition de données issues de différentes sources, telles que les séries temporelles d'irradiance solaire, notamment dans le domaine des rayons X et de l'ultraviolet, les observations multi-spectrales du Soleil, ainsi que des mesures in situ décrivant l'état de l'environnement spatial terrestre, comme les paramètres du vent solaire ou les indices géomagnétiques. Ces données, souvent hétérogènes et bruitées, nécessitent un prétraitement approfondi incluant le nettoyage du bruit, la gestion des données manquantes, la normalisation et la synchronisation temporelle. L'objectif est de construire des jeux de données cohérents et exploitables pour les modèles d'apprentissage.

La deuxième étape porte sur la sélection et l'adaptation des modèles de fondation. Il s'agit d'identifier des architectures adaptées aux différentes modalités de données, qu'il s'agisse de modèles de séries temporelles, de modèles de vision pour l'analyse d'images solaires ou encore de modèles multimodaux capables de fusionner plusieurs sources d'information. Ces modèles, pré-entraînés sur de larges volumes de données, seront adaptés aux spécificités de la météorologie de l'espace par des techniques de fine-tuning, d'apprentissage auto-supervisé et, lorsque cela est pertinent, par l'intégration de contraintes issues des connaissances physiques afin de guider l'apprentissage.

La troisième étape concerne la détection et la caractérisation des événements solaires. Des méthodes d'apprentissage seront développées pour identifier automatiquement les phénomènes significatifs tels que les éruptions solaires ou les variations du vent solaire. Il s'agira également de caractériser ces événements en termes d'intensité, de durée et d'évolution temporelle, en extrayant des indicateurs pertinents à partir des données disponibles.

La quatrième étape est dédiée à la modélisation et à la prévision. Sur la base des représentations apprises par les modèles, des approches prédictives seront mises en place afin d'anticiper l'occurrence des événements solaires et d'estimer leurs impacts sur l'environnement terrestre. L'utilisation conjointe de données multimodales permettra d'améliorer la précision des prévisions, en capturant des dépendances complexes entre les différentes variables observées.

La cinquième étape vise à évaluer les performances des modèles développés. Cette évaluation sera réalisée en comparant les résultats obtenus avec ceux des modèles physiques et statistiques existants. Différentes métriques seront utilisées afin de mesurer la précision, la robustesse et la capacité de généralisation des modèles. Une attention particulière sera portée à leur comportement en situation réelle, notamment face à des données bruitées ou incomplètes.

La sixième étape concerne l'interprétabilité des modèles. Il s'agira d'analyser les mécanismes internes des modèles d'intelligence artificielle afin d'identifier les variables et les structures les plus influentes dans les prédictions. Cette analyse permettra de relier les résultats aux processus physiques connus, contribuant ainsi à renforcer la confiance dans les modèles et à améliorer la compréhension des phénomènes étudiés.

Enfin, la dernière étape porte sur l'intégration opérationnelle des modèles développés. L'objectif est de les intégrer dans des chaînes de traitement automatisées capables de produire des prévisions en temps quasi réel. Cette phase inclut l'optimisation des performances de calcul, la gestion des flux de données et la conception d'outils exploitables par les acteurs du secteur spatial. Elle vise à assurer le transfert des résultats de la recherche vers des applications concrètes, au service de la prévision et de la gestion des risques liés à la météorologie de l'espace.

Le candidat recherché devra disposer d'une solide formation scientifique à l'interface entre l'intelligence artificielle, la physique et les sciences des données. Un diplôme de niveau Master (ou équivalent) en informatique, intelligence artificielle, physique, astrophysique, mathématiques appliquées ou disciplines connexes est requis. Une spécialisation ou une expérience en traitement de données scientifiques constituera un atout important.

Le candidat devra présenter de bonnes compétences en apprentissage automatique et en intelligence artificielle, notamment en apprentissage profond. Une expérience dans la manipulation de séries temporelles, de données multimodales ou d'images scientifiques sera particulièrement appréciée. La maîtrise des outils de programmation scientifique, en particulier en Python ou Matlab, est attendue.

Des connaissances en physique solaire, en météorologie de l'espace ou plus largement en sciences spatiales seront considérées comme un avantage, sans être strictement indispensables. Le candidat devra toutefois démontrer un intérêt marqué pour ces thématiques et une capacité à appréhender des problématiques interdisciplinaires.