Analyse de l'impact de l'ilot de chaleur urbain sur les systèmes précipitants par machine learning et télédétection radar // Impact of the urban heat island on precipitation systems using machine learning and remote sensing

La présence des zones urbaines modifie les interactions entre la surface terrestre et l'atmosphère, influençant les bilans énergétiques et hydriques locaux. Ces effets sont liés à des facteurs comme la rugosité des surfaces, l'imperméabilité, l'albédo des matériaux de construction, la concentration accrue d'aérosols mais aussi la saison, la géographie et la météorologie locale. Ces interactions complexes génèrent des îlots de chaleur urbains (ICU) et modifient la couche limite urbaine ce qui sous certaines conditions impacte les régimes de précipitations à proximité et au sein des villes.

Dans cette optique, cette thèse se propose de se focaliser sur la région parisienne avec comme objectif de caractériser l'effet du centre urbain dense sur les systèmes convectifs, types orages isolés ou lignes de grains. Cette tâche est loin d'être triviale car un orage est constitué d'amas de cellules de pluie plus ou moins intenses, chacune ayant une dynamique propre pouvant l'amener à se déformer, à fusionner avec des cellules voisines ou se diviser, avec éventuellement une intensification des précipitations ou au contraire leur affaiblissement voire une disparition complète de la cellule. Le premier objectif de la thèse sera de tester des approches classiques d'identification et de suivi (tracking) de cellules de pluie. Il est démontré toutefois qu'en fonction de la définition même d'une cellule convective (taille minimale, intensité, durée, …) les résultats obtenus sont sujet à une disparité importante. Dans ces conditions, de nouvelles approches basées sur des méthodes d'IA les plus récentes pourraient s'avérer très intéressantes. Ainsi, des approches basées sur les transformers ou des approches basées sur des modélisations de type GNN (Graph Neural Network) semblent prometteuses. Cette voie pourra être plus ou moins approfondie en fonction du profil du candidat.e.

Les caractéristiques spatiotemporelles de cellules obtenues avec l'une ou plusieurs de ces approches permettront ensuite de réaliser une classification non supervisée du comportement de ces cellules en différentes catégories (par exemple atténuation / amplification à l'approche du centre urbain dense, division, fusion, modification de trajectoire / vitesse, pas d'effet significatif, …) à l'aide de techniques de clustering et d'une métrique appropriée.
Le partitionnement obtenu sera ensuite mis en relation avec les variables d'intérêt telles que le type d'urbanisation, les paramètres météorologiques pertinents (régime de vent, température, saison, etc …) et aussi géomorphologiques (orographie, type de couvert végétal, …).
La suite de l'étude s'attachera à comprendre les effets de la ville « toutes choses égale par ailleurs » sur les modifications des caractéristiques des cellules aux abords du centre urbain dense. Enfin, il sera intéressant d'analyser pour les évènements qui ont été influencés par l'ICU les changements de la microphysique de la pluie entre la zone urbaine dense et la zone périurbaine grâce aux deux radars ROXI du LATMOS, l'un situé sur le campus de Jussieu en plein centre de Paris et l'autre sur la plateforme d'observation du SIRTA à l'école Polytechnique située à une vingtaine de kilomètres au sud de Paris. Ce type de radar permet d'analyser avec une échelle spatiale très fine (quelques dizaines de mètres) la distribution verticale des gouttes de pluie facilitant ainsi l'étude des processus physique sous-jacents.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The presence of urban areas alters the interactions between the land surface and the atmosphere, impacting local energy and water budgets. These effects are influenced by factors such as surface roughness, impermeability, albedo of construction materials, increased aerosol concentration, as well as seasonal, geographical, and local meteorological conditions. These complex interactions generate urban heat islands (UHIs) and modify the urban boundary layer, which under certain conditions, can affect precipitation patterns near and within cities.

In this context, this thesis aims to focus on the Paris region, with the goal of characterizing the effect of the dense urban center on convective systems, such as isolated storms or squall lines. This is a challenging task since storms consist of clusters of rain cells with varying intensities, each having its own dynamics that can lead to deformation, merging with neighboring cells, or splitting. These processes may result in precipitation intensification, weakening, or even complete dissipation of the cells. The first objective of the thesis is to test classical approaches for identifying and tracking rain cells. However, it has been shown that the results obtained depend heavily on how a convective cell is defined (e.g., minimum size, intensity, duration), leading to significant variability. In this context, novel approaches based on cutting-edge artificial intelligence (AI) methods could be highly valuable. Techniques leveraging transformers or Graph Neural Networks (GNNs) appear particularly promising and could be explored further depending on the candidate's background.

The spatiotemporal characteristics of rain cells obtained through one or more of these approaches will subsequently be used for unsupervised classification of cell behavior into different categories (e.g., attenuation/amplification when approaching the dense urban center, splitting, merging, trajectory/speed modification, or no significant effect). This classification will be performed using clustering techniques and appropriate metrics.

The resulting classifications will then be correlated with key variables such as urbanization type, relevant meteorological parameters (e.g., wind patterns, temperature, season), and geomorphological factors (e.g., orography, vegetation cover). The study will further focus on understanding the specific impact of the urban environment on rain cell characteristics under “all else being equal” conditions.

Finally, for events influenced by the UHI, the microphysical changes in rainfall between the dense urban area and the peri-urban region will be analyzed using the two ROXI radars operated by LATMOS. One radar is located on the Jussieu campus in central Paris, while the other is on the SIRTA observation platform at École Polytechnique, approximately 20 km south of Paris. These radars provide high-resolution spatial data (on the order of tens of meters) on the vertical distribution of raindrops, facilitating the study of underlying physical processes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/02/2025

Financement d'un fond ou d'une agence de développement (BPI-FUI (Fond Unique Interminstériel), Agences départementales...)

Université Paris-Saclay GS Géosciences, climat, environnement et planètes

579 Sciences Mécaniques et Energétiques, Matériaux et Géosciences

En fonction du profil du candidat.e le sujet pourra être plutot orienté sur les sciences de l'environnement ou sur le développement de méthodes originales en machine learning pour l'analyse et la caractérisation spatio-temporelle des systèmes précipitants : - Profil 1 : Formation en sciences de l'environnement avec une expertise dans le domaine du machine learning - Profil 2 : Formation en sciences des données avec une motivation pour les sciences de l'environnement - Dans tous les cas, une bonne maitrise des outils informatiques sous python est indispensable. La connaissance de l'environnement Pytorch est un plus - Des connaissances de base en modélisation statistique sont indispensables
Depending on the candidate's profile, the focus of the subject can be either on environmental sciences or on the development of original machine learning methods for the spatio-temporal analysis and characterization of precipitating systems: - **Profile 1**: Background in environmental sciences with expertise in machine learning. - **Profile 2**: Background in data science with a strong motivation for environmental sciences. - In all cases, a solid proficiency in Python programming is essential. Familiarity with the PyTorch environment is a plus. - Knowledge of statistical methods is mandatory.