Thèse Inférence Bayésienne de Nouvelle Génération pour les Sciences de la Terre et de l'Espace. H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes
École doctorale : PHYS - Physique
Laboratoire de recherche : Institut de Planetologie et d'Astrophysique de Grenoble
Direction de la thèse : Sylvain DOUTE ORCID 0000000331305336
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-13T23:59:59Grâce aux progrès réalisés dans le domaine de l'observation spatiale, il existe désormais de vastes ensembles de données à haute résolution permettant d'étudier le climat terrestre, ainsi que les environnements martien et lunaire. L'extraction d'informations physiques à partir de ces ensembles de données implique la résolution de problèmes inverses complexes qui relient les mesures à leurs causes sous-jacentes. Ce projet de thèse se concentre sur les méthodes bayésiennes permettant d'estimer les paramètres physiques à partir de données de télédétection à haute dimension. Plutôt que de s'appuyer sur des hypothèses traditionnelles, il utilise des modèles d'IA générative modernes, en particulier des modèles de diffusion, afin de mieux représenter les a priori et d'échantillonner la distribution de probabilité a-posteriori. Ce travail vise également à améliorer l'efficacité de l'inférence en réduisant la dimensionnalité, en réutilisant les calculs et en combinant plusieurs mesures. Le (la) doctorant(e) développera, testera et validera ces méthodes. Elles seront ensuite appliquées par à des études de cas sélectionnées afin de cartographier les surfaces de Mars, de la Lune et de la Terre à l'aide des données issues des missions spatiales actuelles.

The spectacular development of space systems and sensors, for observing the Earth and other Planets, provides access to numerous geophysical, geochemical and biophysical parameters over vast areas with increasingly high spatial resolution and revisit frequency. Such infrastructures are crucial to understand our changing world and climate but also the Martian or the Moon environments and their degree of habitability. This involves theory but also the integration of observational information into models through data assimilation and model inversion. In this domain as in many fields of applied science, researchers face high-dimensional non-linear inverse problems. The fundamental challenge is to estimate physical parameters (the causes, denoted as x) from observed signals (the effects, denoted as y). The PhD work focuses on Bayesian methods to estimate physical parameters from large volume and high dimensional remote-sensing measurements.

Because these inverse problems are ill-posed, prior information is required to obtain meaningful solutions. This research aim at replacing traditional hand-crafted priors with learned priors based on modern generative AI, in particular diffusion models that can capture complex data distributions. These models are further extended to sample efficiently from the full Bayesian posterior, which is usually computationally expensive. Conditional diffusion models will be investigated as fast, data-driven alternatives to classical sampling methods. Key objectives of the PhD include implementing dimension reduction strategies, reusing computations across many observations and efficiently combining multiple complementary measurements. This will enable scalable and accurate inference for large Earth and planetary observation datasets. The development of a diffusion-based framework will also pave the way to Bayesian Optimal Experimental Design (BOED) to optimize compact spectral imagers such as ImSPOC (Imaging SPectrometer On Chip) for embedded E&S applications, including atmospheric CO and CH monitoring.

Master en astrophysique, science des données (statistiques, inférence et apprentissage automatique) ou en télédétection physique/observation de la Terre. Fortes compétences en programmation scientifique (python, R).
Important: L'appel à candidatures sera ouvert du 2 février au 13 mars 2026, aux étudiants français et étrangers sur le site Internet du CNES (https://recrutement.cnes.fr/fr/annonces) !
Annonce 26-182 Next-generation Bayesian inference for Earth and Space Science