L’estimation quantitative des précipitations (QPE) à partir de données satellitaires constitue un enjeu majeur pour la météorologie et la climatologie. Les satellites géostationnaires Meteosat Seconde Génération (MSG) équipés du radiomètre SEVIRI (Spinning Enhanced Visible and InfraRed Imager), permettent une observation quasi continue et à large échelle.  Toutefois, la relation entre la température de brillance mesurée en infrarouge (IR) et les précipitations reste indirecte et incertaine.  Dans l’équipe, deux approches récentes d’apprentissage profond ont déjà été explorées à l’échelle du territoire métropolitain : Un modèle basé sur U-Net, fournit une bonne localisation spatiale des précipitations mais génère des champs trop lissés. Un modèle basé sur les diffusion probabilistic models (DDPM), qui parvient à produire des échantillons de pluie avec une distribution statistique réaliste, mais souffre d’un aléa important dans la localisation.

Objectif du stage
Le stage vise à développer un modèle qui combine les avantages des deux approches précédentes. Les pistes envisagées, qui devront être confirmées par une revue bibliographique, sont : L’utilisation de modèles de diffusion de type flow matching pour limiter l’aléa spatial de l’inférence tout en conservant une distribution de précipitations réaliste. L’introduction de  la composante temporelle dans l’algorithme d’inversion en utilisant en entrée plusieurs images successives dans le temps afin de profiter de l’évolution dynamique des structures de nuages pour mieux caractériser les champs de pluie.

Programme de travail

Revue bibliographique sur les modèles, en particulier les approches de type flow matching appliquées à la génération conditionnelle.
Implémentation du modèle retenu avec entrées multi-temporelles.
Choix des indicateurs pertinents pour une évaluation selon deux axes :
Performances spatiales (localisation des précipitations, scores de détection).
Qualité statistique des champs générés (distribution, extrêmes, variabilité).
Comparaison avec les modèles de référence de l’équipe et de la littérature
Selon l’avancement du travail et l’intérêt de l’étudiant, des tests de généralisation à partir de la mosaïque de pluie OPERA sur l’Europe entière sera abordée.
Compétences attendues

Connaissances et Intérêt pour l’ apprentissage profond et les modèles génératifs (PyTorch).
Intérêt pour les applications de l’IA à la télédétection spatiale et à l’observation de la terre.
Goût pour l’expérimentation numérique et l’analyse critique des résultats.