Suivi des émissions de polluants depuis l'espace par des approches d'assimilation de données // Monitoring of pollutant emissions from space using data assimilation

L'industrialisation et l'urbanisation rapides du XXe siècle ont entraîné une hausse des émissions de polluants d'origine anthropique, faisant de la pollution à l'ozone et aux particules fines un risque majeur pour la santé, avec environ 3 millions de décès annuels attribués à la pollution extérieure par l'OMS. Si les pays développés ont commencé à s'attaquer aux problèmes de qualité de l'air dans les années 1990, les réglementations efficaces dans les pays en développement, comme la Chine, sont plus récentes.
Des données précises, haute résolution et à long terme sur les émissions de polluants sont essentielles pour évaluer avec précision l'impact des variations d'émissions sur la chimie atmosphérique et le climat, mesurer l'efficacité des contrôles d'émission et améliorer la gestion de la qualité de l'air. Cependant, les inventaires actuels des émissions reposent largement sur les déclarations des émetteurs et des statistiques annuelles agrégées à l'échelle nationale, ce qui entraîne des incertitudes et ne permet pas de mettre à jour rapidement les inventaires, limitant ainsi l'efficacité des prévisions de qualité de l'air.
La dernière décennie a vu l'émergence d'une nouvelle génération d'instruments satellitaires capable de mesurer de plus en plus précisément et à haute résolution plusieurs polluants clés dans la formation de l'ozone et des particules fines : le dioxyde d'azote NO2, l'ammoniac NH3 et certains composés organiques volatiles comme le formaldéhyde (HCHO). Ces observations satellitaires commencent à être de plus en plus assimiler dans les modèles de qualité de l'air pour estimer les émissions des polluants et améliorer les capacités de modélisation et de prévision de la qualité d'air [1, 2, 3]. Au niveau français, un système d'assimilation variationnel régional basé sur le Community Inversion Framework et le modèle de chimie-transport CHIMERE a été développé et appliqué pour étudier les réductions des émissions de polluants en Chine [3] ou l'impact de la pandémie du COVID sur les émissions de NOx [4]. Ces études ont montré le potentiel de ces approches pour exploiter l'information à haute résolution des observations satellitaires de nouvelles générations. Cependant, plusieurs limitations et pistes d'amélioration restent à explorer pour pleinement exploiter les nombreuses données satellitaires disponibles et à venir. Le projet de thèse proposé vise à lever certaines de ces limitations d'une part en améliorant le schéma d'inversion variationnel actuel en travaillant sur une meilleure définition des matrices de covariance d'erreurs nécessaires dans les approches traditionnelles d'assimilation de données et d'autre part en investiguant d'autres typologies d'inversion comme les approches ensemblistes ou des approches d'apprentissage profond (deep learning) qui permettent de s'affranchir de l'adjoint du modèle de chimie-transport et de traiter des très grandes quantités de données. Les travaux de thèse se focaliseront dans un premier temps sur l'estimation des émissions de NOx en Chine, où les récentes réglementations ont réduit les émissions de plus de 20 % et mèneront à une intercomparaison des approches et de leurs performances. La méthodologie conduisant aux meilleures performances sera sélectionnée pour être appliquée à l'inversion des émissions d'autres polluants comme les émissions agricoles d'ammoniac. L'ambition finale est d'avancer vers une inversion unifiée multi-polluants capables d'exploiter les images satellitaires à haute résolution actuelles et futures pour quantifier les tendances des émissions de précurseurs d'ozone et de particules fines. Les travaux s'appuieront sur les résultats de projets très récents ou en cours comme les projets ANR ARGONAUT et ADEME LOCK'AIR pour le développement du système CIF-CHIMERE ou le projet ESPEREL pour le développement d'approches de deep learning en collaboration avec des informaticiens du LIPADE (Université Paris Cité).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The rapid industrialization and urbanization of the 20th century led to increased emissions of anthropogenic pollutants, making ozone and fine particulate pollution a major health risk, with approximately 3 million annual deaths attributed to outdoor pollution according to the WHO. While developed countries began addressing air quality issues in the 1990s, effective regulations in developing nations like China are more recent.
Accurate, high-resolution, and long-term data on pollutant emissions are essential for precisely assessing the impact of emission variations on atmospheric chemistry and climate, measuring the effectiveness of emission controls, and improving air quality management. However, current emission inventories largely rely on self-reported data and annual national statistics, resulting in uncertainties and limiting the rapid updating of inventories, which in turn hinders effective air quality forecasting.
Over the last decade, a new generation of satellite instruments has emerged, capable of increasingly precise and high-resolution measurements of several key pollutants involved in ozone and fine particulate formation: nitrogen dioxide (NO2), ammonia (NH3), and certain volatile organic compounds like formaldehyde (HCHO). These satellite observations are increasingly being assimilated into air quality models to estimate pollutant emissions and improve air quality modeling and forecasting capabilities [1, 2, 3].
In France, a regional variational assimilation system based on the Community Inversion Framework (CIF) and the CHIMERE chemistry-transport model has been developed and applied to study reductions in pollutant emissions in China [3] and the impact of the COVID-19 pandemic on NOx emissions [4]. These studies have demonstrated the potential of these approaches to leverage high-resolution information from new-generation satellite observations. However, several limitations and avenues for improvement remain to fully exploit the extensive satellite data available and forthcoming.
This proposed Ph.D. project aims to address some of these limitations by improving the current variational inversion scheme, focusing on better defining the error covariance matrices required in traditional data assimilation approaches. It will also explore alternative inversion methodologies, such as ensemble approaches or deep learning techniques, which can bypass the need for the adjoint of the chemistry-transport model and process vast amounts of data.
The thesis work will initially focus on estimating NOx emissions in China, where recent regulations have reduced emissions by over 20%, and will lead to an intercomparison of approaches and their performances. The methodology leading to the best performance will be selected for application to the inversion of other pollutants, such as agricultural ammonia emissions. The ultimate goal is to advance toward a unified multi-pollutant inversion capable of utilizing current and future high-resolution satellite imagery to quantify emission trends for ozone and fine particulate precursors.
This research will build on the results of recent or ongoing projects, such as the ANR ARGONAUT and ADEME LOCK'AIR projects for the development of the CIF-CHIMERE system, and the ESPEREL project for developing deep learning approaches in collaboration with computer scientists from LIPADE (Université Paris Cité).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrats ED : Programme blanc U-Paris

Université Paris Cité

129 Sciences de l'Environnement d'Ile-de-France

Le candidat doit posséder une solide formation en sciences de l'atmosphère, une connaissance des concepts de modélisation atmosphérique, de bonnes compétences en programmation et une appétence pour le calcul numérique et les mathématiques appliquées. Des bases en machine learning ou un intérêt de développer cette compétence sont un plus.
The candidate must have a strong background in atmospheric sciences, a solid understanding of atmospheric modeling concepts, good programming skills, and an aptitude for numerical computation and applied mathematics. A foundation in machine learning or an interest in developing this skill would be appreciated.