Thèse Modélisation Glacio-Hydrologique du Rôle Tampon des Glaciers Alpes et Andes Face au Changement Climatique H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : STEP - Sciences de la Terre de l'Environnement et des Planètes Laboratoire de recherche : Institut des Géosciences de l'Environnement (IGE) Direction de la thèse : Antoine RABATEL ORCID 0000000253041055 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-30T23:59:59 Les modèles glacio-hydrologiques sont essentiels pour traduire les projections climatiques en informations exploitables sur les ressources en eau, en particulier dans les régions de haute montagne où la fonte des glaciers influence significativement l'écoulement des rivières. Cependant, les modèles existants manquent souvent de la résolution et du détail physique nécessaires pour représenter avec précision les processus glaciaires clés à l'échelle des bassins versants.
Cette thèse développera un cadre de modélisation glacio-hydrologique couplé et distribué, combinant modélisation physique des glaciers et apprentissage automatique informé par la physique via la programmation différentiable (Équations Différentielles Universelles). En s'appuyant sur le modèle de glacier ODINN.jl, le/la doctorant(e) améliorera les inversions d'épaisseur de glace et les projections futures des glaciers dans les Alpes et les Andes, en intégrant des jeux de données hétérogènes (vitesses de surface, épaisseurs radar, bilans de masse, MNT). ODINN.jl sera ensuite couplé à un modèle hydrologique différentiable calibré à l'aide d'un LSTM afin de simuler l'écoulement glaciaire et son impact hydrologique en aval.
Un axe central de la thèse consiste à quantifier le rôle tampon des glaciers pendant les périodes de sécheresse : évaluer leur contribution à la régulation des débits et identifier les métriques critiques liées à l'eau, telles que le timing et l'amplitude des contributions glaciaires et nivales à l'écoulement, ainsi que les risques d'inondation ou de pénurie associés. Ce cadre sera utilisé pour produire des projections régionales de la disponibilité en eau sous différents scénarios climatiques (SSP1-2.6 à SSP5-8.5), fournissant des simulations physiquement cohérentes et à haute résolution pour appuyer la gestion des ressources en eau face au changement climatique. Les modèles glacio-hydrologiques jouent un rôle clé pour traduire les sorties des modèles climatiques en données exploitables sur les ressources en eau, en particulier dans les régions de haute montagne où la fonte des glaciers contribue de manière significative à l'écoulement des rivières. Cependant, les modèles glacio-hydrologiques existants manquent souvent de la résolution et du détail physique nécessaires pour représenter avec précision les processus glaciaires et hydrologiques à l'échelle des bassins versants, limitant ainsi leur utilité pour la gestion des ressources en eau et les services climatiques.
Le projet GLADAPT (Modélisation glacio-hydrologique et adaptation avec programmation différentiable), financé par le PEPR TRACCS, vise à développer un cadre de modélisation glacio-hydrologique couplé et distribué, intégrant des représentations détaillées de la dynamique des glaciers et des processus hydrologiques. Ce cadre s'appuiera sur de nouvelles observations (télédétection, mesures in situ) et sera appliqué à des études de cas dans les Alpes françaises et les Andes, deux régions où l'eau de fonte glaciaire joue un rôle critique pour la disponibilité en eau.
Cette thèse s'inscrit dans ce contexte et proposera une approche innovante combinant modélisation physique et méthodes d'apprentissage automatique informées par la physique (via la programmation différentiable) pour évaluer le rôle tampon des glaciers pendant les périodes de sécheresse, sous différents scénarios climatiques du XXIe siècle. L'objectif est de fournir des simulations haute résolution, robustes et physiquement cohérentes pour améliorer les prévisions des ressources en eau dans un contexte de changement climatique. Le/la doctorant(e) contribuera au développement et à l'application du modèle ODINN.jl (un modèle de glacier de pointe basé sur la programmation différentiable et l'apprentissage automatique) et à son couplage avec un modèle hydrologique différentiable calibré avec un LSTM. Les objectifs principaux sont :
Améliorer les inversions d'épaisseur de glace et projeter l'évolution future des glaciers dans des bassins versants ciblés des Alpes et des Andes (des tropiques externes à la Patagonie), en exploitant des jeux de données hétérogènes (vitesses de surface, épaisseurs radar, bilans de masse, MNT, etc.).
Coupler ODINN.jl avec un modèle hydrologique différentiable pour simuler l'écoulement glaciaire et son impact sur les ressources en eau en aval.
Étudier le rôle tampon des glaciers pendant les sécheresses, en évaluant leur contribution à la régulation des débits et en identifiant les métriques critiques liées à l'eau (ex. : timing et amplitude des contributions glaciaires et nivales, risque de pénurie ou d'inondation).
Produire des projections régionales de la disponibilité en eau sous différents scénarios climatiques (SSPs), en collaboration avec des parties prenantes locales pour traduire les résultats en stratégies d'adaptation.
Les résultats contribueront à la fois à la recherche fondamentale en glaciologie et à des solutions appliquées pour la gestion de l'eau dans des régions vulnérables au climat, en alignement avec les objectifs du projet GLADAPT et du PEPR TRACCS. - Développement et optimisation du modèle ODINN.jl :
Intégration de données hétérogènes (vitesses de surface, épaisseurs de glace, bilans de masse, MNT) pour améliorer les inversions d'épaisseur et les projections futures.
Utilisation de méthodes de programmation différentiable (Équations Différentielles Universelles, UDEs) pour découvrir des lois empiriques gouvernant les processus glaciaires (ex. : glissement basal, déformation de la glace) à partir des observations.
Benchmarking des méthodes d'inversion transitoire et optimisation de la différentiation automatique pour garantir une efficacité computationnelle.
- Couplage avec un modèle hydrologique différentiable :
Développement et calibrage d'un modèle hydrologique différentiable utilisant des réseaux de neurones de type LSTM pour simuler les flux d'eau à l'échelle des bassins versants.
Calibrage du modèle couplé à l'aide de données glacio-hydrologiques (vitesses de surface, contours de glaciers, bilans de masse, débits fluviaux) et de connaissances locales.
- Analyse des scénarios climatiques :
Simulation de la disponibilité en eau sous différents scénarios climatiques (SSP1-2.6 à SSP5-8.5) pour évaluer l'impact des glaciers sur les ressources en eau.
Collaboration avec des parties prenantes locales (ex. : gestionnaires de l'eau, autorités régionales) pour co-construire des stratégies d'adaptation.
- Validation et dissémination :
Validation des résultats avec des observations indépendantes et des techniques de cross-validation spatio-temporelle.
Publication des résultats dans des revues à comité de lecture et diffusion ouverte des outils développés (logiciels open-source, documentation, tutoriels).

Formation : Master (ou équivalent) en glaciologie, hydrologie, sciences du climat, modélisation numérique, ou dans un domaine connexe.
Compétences techniques :
Bonne maîtrise de la programmation (expérience en Julia non obligatoire, mais une volonté d'apprendre est essentielle).
Connaissances en modélisation numérique, en statistiques ou en apprentissage automatique (atout).
Expérience avec des outils de calcul scientifique (ex. : Python, R, MATLAB) ou des frameworks de deep learning (ex. : Flux.jl, PyTorch).
Qualités personnelles :
Curiosité scientifique, autonomie et rigueur.
Goût pour le travail d'équipe, la science ouverte et la collaboration interculturelle.
Intérêt pour les enjeux sociétaux liés au changement climatique et à la gestion des ressources en eau.
Langues :
Maîtrise de l'anglais scientifique (obligatoire).
Des compétences en français ou en espagnol sont un plus pour la collaboration avec les partenaires sud-américains.

• Statistiques
• Python
• Programmation
• Anglais
• Travail en équipe
• Autonomie
• Machine learning
• Espagnol