Sujet
La modélisation et la simulation de la dispersion atmosphérique visent à produire une cartographie de
la répartition spatio‐temporelle de rejets à l’air, en phase gazeuse ou sous forme de particules fines,
émis dans un cadre autorisé ou dans des circonstances accidentelles. Ce type de résultats intéresse le
domaine réglementaire, par exemple celui de la qualité de l’air, tout comme, dans un autre contexte,
la préparation et la réponse à des situations d’urgence impliquant des rejets délétères.
Les modèles physiques de dispersion développés depuis une vingtaine d’années s’efforcent de prendre
en compte la complexité de l’environnement qui tient notamment aux disparités de la topographie et
de l’occupation des sols. Ces modèles 3D ont connu des améliorations notables et vu leur utilisation
s’intensifier grâce à un accès accru à des ressources calculatoires massives [1]. Toutefois, ils s’appuient
sur des calculs d’écoulement à différentes échelles qui sont généralement chronophages.
Si les systèmes de modélisation actuels fournissent des résultats précis de dispersion atmosphérique,
indispensables à une évaluation fiable des conséquences de rejets de tous types, il serait souhaitable
d’obtenir ces mêmes résultats ou des résultats approchants dans des délais très brefs. Ceci vaut dans
les situations d’urgence mais aussi lorsque de nombreux calculs de dispersion sont nécessaires afin de
leur associer des incertitudes ou de mener des études de sensibilité paramétrique [2].
Dans cet objectif, la méta‐modélisation ou création d’un modèle mathématique « surrogate » associée
à la réduction de dimension [3‐4] ouvre des perspectives prometteuses. Ainsi, récemment, nous avons
mis en place une stratégie consistant en une étape de réduction de dimension de cartes de dispersion
obtenues au moyen d’un modèle physique 3D de référence et une étape d’apprentissage dans l’espace
latent des cartes correspondant à différentes conditions météorologiques [5].
Le projet post‐doctoral s’attachera à compléter les travaux de recherche déjà entamés en évaluant les
performances de méthodes de réduction de dimension (décomposition orthogonale ou généralisée,
auto‐encodeur…) et de méthodes de substitution de modèle (régression par des processus gaussiens,
réseau de neurones profond…) parmi celles explorées et mentionnées ou parmi d’autres possibilités.
Les applications pourront concerner divers contextes parmi lesquels, en particulier, la simulation des
concentrations autour d’un site de production industrielle qui émet des rejets gazeux à l’atmosphère.
Au cours du projet, une attention spécifique devra être portée, sur le plan théorique, aux métriques
permettant de comparer les résultats de dispersion issus de la méta‐modélisation à ceux fournis par le
modèle physique de référence et, sur le plan pratique, aux développements informatiques réalisés en
vue de la création à terme d’un outil opérationnel de méta‐modélisation.
D’un diplôme de doctorat dans une discipline adaptée au sujet du post‐doc (mathématiques
appliquées, science des données, intelligence artificielle…),
D’une expérience dans les sciences de l’environnement, si possible de l’atmosphère,
De très bonnes compétences en mathématiques appliquées (réduction de dimension, méta‐
modélisation…),
De très bonnes compétences en programmation Python,
De connaissances des bibliothèques « Scikit‐learn » et « Tensorflow ».