Description

La pollution atmosphérique liée au transport constitue un enjeu environnemental et sanitaire majeur en milieu urbain, notamment du fait des émissions d’oxydes d’azote. Les politiques publiques récentes de réduction du trafic et de déploiement des zones à faibles émissions, ainsi que les travaux épidémiologiques sur l’impact du NO₂ sur la mortalité, soulignent l’importance de mieux quantifier ces émissions. Dans ce contexte, les observations satellitaires de Sentinel-5P/TROPOMI fournissent des informations globales et continues sur les colonnes troposphériques de NO₂ et ouvrent des perspectives nouvelles pour le suivi spatio-temporel des émissions.
Toutefois, l’exploitation quantitative de ces observations demeure limitée par les biais induits par une représentation incomplète des processus de dispersion atmosphérique à petite échelle. Les modèles atmosphériques mobilisés pour interpréter les données satellitaires opèrent principalement à l’échelle méso, alors que les mécanismes dominants de dispersion des polluants liés au transport relèvent de la micro-échelle : turbulence locale, effets de canyon urbain, interactions avec l’écoulement d’air ou encore effets liés au sillage des véhicules. Cette inadéquation d’échelle peut engendrer des erreurs de représentativité qui se répercutent directement sur l’estimation des émissions à partir des observations satellitaires.
La thèse vise ainsi à améliorer l’estimation des émissions de NOx liées au transport à partir des observations Sentinel, en renforçant la cohérence entre la physique de la dispersion à petite échelle et les modèles atmosphériques à l’échelle méso. Le projet s’appuiera pour cela sur l’analyse des mécanismes de dispersion micro-échelle, sur le développement de paramétrisations et de modèles de substitution assistés par l’IA, ainsi que sur leur intégration dans les chaînes de modélisation et d’estimation des émissions fondées sur les observations satellitaires. L’ambition est de réduire les biais dans l’estimation des émissions et de renforcer la robustesse des usages opérationnels des données spatiales pour la surveillance de la qualité de l’air.

Compétences requises

Le projet s’adresse à un ou une candidate titulaire d’un Master 2, ou diplôme équivalent, en mécanique des fluides, mathématiques appliquées, sciences de l’environnement ou science des données. Une appétence marquée pour la modélisation numérique, la CFD, l’analyse de données et les méthodes hybrides fondées sur l’IA est attendue. Une bonne maîtrise d’outils de programmation scientifique tels que Python, Matlab ou équivalent sera appréciée. Le ou la candidate devra également manifester un intérêt pour les problématiques de qualité de l’air, l’exploitation de données satellitaires et l’articulation entre modèles physiques, données d’observation et méthodes d’inversion. Un bon niveau d’anglais scientifique est souhaité. Ce profil s’inscrit ainsi dans une approche pluridisciplinaire associant modélisation, traitement de données et compréhension des mécanismes de dispersion et de transport des polluants atmosphériques.

Bibliographie

[1] CITEPA. (2023). Zones à faibles émissions - Où en est-on ?
[2] Santé publique France. (2019). Impact à court terme du dioxyde d’azote (NO₂) sur la mortalité dans 18 zones françaises, 2010-2014.
[3] European Space Agency. Sentinel-5P mission.
[4] van Geffen, J., Eskes, H., Boersma, K. F., Maasakkers, J., Veefkind, J. P., & Sneep, M. (2022). Sentinel-5P TROPOMI NO₂ Level 2 product user manual. European Space Agency.
[5] Vardoulakis, S., Fisher, B. E., Pericleous, K., & Gonzalez-Flesca, N. (2003). Modelling air quality in street canyons: a review. Atmospheric Environment, 37(2), 155–182.
[6] Alam, B., Nkenfack Soppi, R., Feiz, A.-A., Ngae, P., Chpoun, A., & Kumar, P. (2024). CFD simulation of pollutant dispersion using anisotropic models: Application to an urban-like environment under neutral and stable atmospheric conditions. Atmospheric Environment, 316, 120263.
[7] Mehel, A., & Murzyn, F. (2015). Effect of air velocity on nanoparticles dispersion in the wake of a vehicle model: wind tunnel experiments. Atmospheric Pollution Research, 6(4).
[8] Rodriguez, R., Murzyn, F., Mehel, A., & Larrarte, F. (2020). Dispersion of ultrafine particles in the wake of car models: A wind tunnel study. Journal of Wind Engineering and Industrial Aerodynamics, 198.
[9] Djeddou, M., Pérard Lecomte, A., Fokoua, G., Mehel, A., & Tanière, A. (2025). Comparative analysis of Eulerian and Lagrangian models for the simulation of fine and ultrafine particle dynamics in the wake of a heavy truck. Journal of Aerosol Science, 186, 106568.
[10] Bocquet, M., Elbern, H., Eskes, H., Hirtl, M., Žabkar, R., Carmichael, G. R., Flemming, J., Inness, A., Pagowski, M., Pérez Camaño, J. L., Saide, P. E., San Jose, R., Sofiev, M., Vira, J., Baklanov, A., Carnevale, C., Grell, G., & Seigneur, C. (2015). Data assimilation in atmospheric chemistry models: current status and future prospects for coupled chemistry meteorology models. Atmospheric Chemistry and Physics, 15, 5325–5358.
[11] Menut, L., Bessagnet, B., Khvorostyanov, D., Beekmann, M., Blond, N., Colette, A., et al. (2013). CHIMERE 2013: A model for regional atmospheric composition modelling. Geoscientific Model Development, 6(4), 981–1028.
[12] Rijsdijk, P., Eskes, H., Dingemans, A., Boersma, K. F., Sekiya, T., Miyazaki, K., & Houweling, S. (2025). Quantifying uncertainties in satellite NO₂ superobservations for data assimilation and model evaluation. Geoscientific Model Development, 18(2), 483–509.
[13] Mols, A., Boersma, K. F., Denier van der Gon, H., & Krol, M. (2025). An improved Bayesian inversion to estimate daily NOx emissions of Paris from TROPOMI NO₂ observations between 2018–2023. EGUsphere (preprint).
[14] Kumar, P., Feiz, A. A., Singh, S. K., Ngae, P., & Turbelin, G. (2015). Reconstruction of an atmospheric tracer source in an urban-like environment. Journal of Geophysical Research: Atmospheres, 120(24), 12589–12604.
[15] He, Q., Qin, K., Cohen, J. B., Li, D., & Kim, J. (2024). Quantifying uncertainty in ML-derived atmosphere remote sensing: Hourly surface NO₂ estimation with GEMS. Geophysical Research Letters, 51(18), e2024GL110468.
[16] Anague, B., Hosseini, B., Karambal, I., & Ngnotchouye, J. M. (2025). Physics-Informed Neural Networks for Source Inversion and Parameters Estimation in Atmospheric Dispersion. arXiv preprint.
[17] European Union. Copernicus: Access to data.
[18] Trongtirakul, T., Agaian, S. S., Djemal, K., Feiz, A. A., & Chaudhuri, S. (2024). Unveiling hidden marine debris: Unsupervised enhancement of SAR images using multilevel enhancement (EME). Proceedings of SPIE.

Mots clés

Pollution de l'air, Dispersion polluants, couplage entre micro- et méso-échelle , CFD, Sentinel-5P/TROPOMI , Modélisation inverse