Doctorant f/h méthodes avancées d’assimilation de données pour l’estimation des paramètres et des états dans les modèles hydrologiques en contexte montagneux

Contexte et atouts du poste

La thèse se déroulera dans l'équipe Airsea (

Mission confiée

Les hydrosystèmes de montagne sont particulièrement sensibles aux changements climatiques et présentent une grande hétérogénéité spatiale et temporelle dans leurs propriétés hydrauliques. Ces caractéristiques rendent complexe la modélisation hydrologique et, en particulier, l’estimation fiable des paramètres et états des modèles, souvent basée sur des données partielles comme les débits ou la piézométrie.

L’assimilation de données permet de combiner les observations disponibles, les modèles numériques et les connaissances a priori pour améliorer ces estimations. Si des méthodes comme le filtre de Kalman d’ensemble (EnKF) sont aujourd’hui bien établies, elles reposent sur des hypothèses parfois trop restrictives (linéarité locale, distributions gaussiennes). Les filtres particulaires (PF), plus flexibles, offrent un cadre plus général mais sont encore peu utilisés dans la modélisation hydrologique à cause de leur coût computationnel élevé et de certaines limitations numériques.

Objectifs scientifiques :

1. Comprendre les limites des méthodes classiques d’assimilation dans les modèles hydrologiques non linéaires et hétérogènes.

2. Étendre l’usage des PF à des modèles réalistes via des stratégies d’optimisation (résampling adaptatif, localisation, réductions de dimension).

3. Proposer une méthodologie générique d’assimilation robuste pour des modèles hydrologiques de complexité croissante.

Principales activités

Cette thèse visera à :

4. Développer une stratégie robuste d’assimilation de données dans les bassins versants de montagne, en s’appuyant sur les avancées du stage de master.

5. Explorer, comparer et améliorer des méthodes EnKF, PF et hybrides pour l’estimation conjointe des états et paramètres hydrologiques.

6. Introduire des représentations explicites de l’incertitude (ensembles, distributions postérieures, quantification bayésienne) pour guider les décisions hydrologiques.

7. Appliquer ces méthodes à un cas d’étude réel, dans le cadre d’un partenariat avec les équipes de terrain (CNRS / ITES), et en tirer des recommandations méthodologiques pour différents contextes hydrologiques.

Compétences

8. Modélisation hydrologique, analyse inverse, statistiques bayésiennes

9. Compétences en programmation scientifique (Python, Matlab, ou C++)

10. Maîtrise des méthodes d’assimilation de données et goût pour l’analyse numérique avancée

Avantages

11. Restauration subventionnée
12. Transports publics remboursés partiellement
13. Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
14. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
15. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
16. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
17. Accès à la formation professionnelle
18. Sécurité sociale

Rémunération

19. 2200 euros bruts/mois