Thèse Etude et Amélioration de la Représentation de la Convection dans la Zone Grise du Mélange Turbulent Via une Approche Hybride Physique-IA H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace Laboratoire de recherche : CNRM - Centre National de Recherches Météorologiques Direction de la thèse : Didier RICARD ORCID 0000000273236300 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 La transition future, à moyen terme, du modèle numérique météorologique opérationnel AROME vers une résolution hectométrique (de 1,3 km à 750 m) représente un défi scientifique majeur. À cette échelle, dite 'zone grise' de la turbulence, les structures convectives ne sont que partiellement résolues. Par conséquent, la paramétrisation dans le modèle du transport de chaleur, d'humidité et de quantité de mouvement généré par les mouvements non résolus devient plus complexe et nécessite d'être adaptée. La paramétrisation actuelle utilisée dans le modèle AROME repose sur le schéma Eddy Diffusivity Mass Flux (EDMF). Il exprime le transport généré par les mouvements non résolus en deux parties : un schéma visant à exprimer le transport local et un schéma visant à exprimer le transport non local. La thèse vise dans un premier temps à établir une méthode d'évaluation systématique des paramétrisations par comparaison à des simulations numériques de référence de type Large Eddy Simulation (LES) à haute résolution (50m). Cette méthode sera appliquée en premier lieu à la paramétrisation actuelle afin de déterminer précisément ses limites. La thèse cherchera dans un deuxième temps à améliorer la formulation actuelle par l'hybridation du schéma avec des outils issus du Machine Learning. Selon les résultats de l'évaluation initiale ainsi qu'une étude bibliographique approfondie le choix s'arrêtera sur l'une des deux voies suivantes. La première ciblerait le schéma de transport non local via la reformulation des coefficients d'entrainement et de détrainement qui sont sujets à une source considérable d'erreur. La seconde porterait sur le schéma de transport local en adoptant une formulation à la fois dynamique où les coefficients du modèle s'ajustent localement en fonction de l'écoulement et dépendant de l'échelle « scale-aware » afin que les équations s'adaptent à la résolution du modèle. Pour accroître les performances du modèle AROME grâce aux avancées des supercalculateurs, il est envisagé d'augmenter la résolution du modèle de 1,3km à 750m (ou 500m). L'adaptation des paramétrisations à la Zone Grise représente un enjeu majeur pour la recherche concernant les modèles météorologiques numériques. À ce titre un projet international, le Grey Zone Project, a été initié par le Working Group of Numerical Experimentation (WGNE) et le Global Energy and Water Exchanges (GEWEX). Une première piste pour adapter AROME à la zone grise consiste à rendre les équations directement dépendantes de la résolution du modèle (scale-aware) comme l'ont proposé Efstathiou et Plant (2019) dans la continuité des travaux de Boutle et al. (2014) et de Honnert et al. (2011).
Conjointement, il s'agit de rendre le schéma de transport local dynamique en ajustant les coefficients du modèle à l'écoulement, plutôt que de les maintenir constants. Cette méthode basée sur un filtrage dynamique (Germano et al., 1991 ; Bou-Zeid et al., 2005) et appliquée au schéma de Smagorinsky (Efstathiou et Plant, 2019) s'avère très coûteuse en temps de calcul. Pour contourner cela, des approches récentes explorent l'utilisation de l'apprentissage automatique (TingDai et al., 2023). Rendre le schéma de transport local « scale-aware » et dynamique permettrait de résoudre le problème important du spin-up (retard à la transition entre convection peu profonde et profonde) et de rendre la convection profonde modélisée plus réaliste (Efstathiou et al. 2024). Une deuxième piste d'amélioration vise à optimiser les expressions des coefficients d'entrainement et de détrainement dans le modèle en flux de masse en utilisant l'apprentissage automatique (Shin et al. 2022, Christopoulos et al. 2024). En effet, la modélisation du mélange entre les nuages et Ieur environnement décrits par les coefficients d'entrainement et de détrainement est
une des sources les plus importantes d'incertitude dans la prévision climatique (Shin et al. 2022). Cependant, la modification du schéma de transport local pour le rendre scale-aware et dynamique n'a été mise en place que pour le schéma de Smagorinsky et non pour le schéma à TKE pronostique utilisé par AROME. Par ailleurs les récentes formulations proposées pour les expressions des coefficients d'entrainement et de détrainement du schéma en flux de masse n'ont pas été testées sur AROME et évaluées dans un contexte d'étude de la transition entre la convection peu profonde et la convection profonde. L'objectif global de la thèse est d'améliorer la modélisation de la turbulence et de la convection dans la zone grise en développant une nouvelle paramétrisation hybride (IA-Physique), afin d'accompagner le passage du modèle météorologique opérationnel AROME à une résolution hectométrique (750 m). La thèse vise dans un premier temps à établir une méthode d'évaluation systématique des paramétrisations par comparaison à des simulations numériques de référence de type Large Eddy Simulation (LES) à haute résolution (50m). Cette méthode sera appliquée en premier lieu à la paramétrisation actuelle afin de déterminer précisément ses limites. La thèse cherchera dans un deuxième temps à améliorer la formulation actuelle par l'hybridation du schéma avec des outils issus du Machine Learning.

Prol recherché :
- Master 2 (ou équivalent) en météorologie, océanographie, physique ou mathématiques.
- connaissances en physique de l'atmosphère et en modélisation numérique
- connaissances en machine learning
- bonnes capacités en communications orales et écrites en anglais
- capacité à travailler en équipe