Inférence bayésienne de nouvelle génération pour les sciences de la terre et de l'espace. // next-generation bayesian inference for earth and space science.

Topic description

Grâce 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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Thanks to advances in space observation, large, high-resolution datasets are now available for studying Earth's climate, as well as the environments of Mars and the Moon. Extracting physical information from these datasets involves solving complex inverse problems that link measurements to their underlying causes. This PhD programme focuses on Bayesian methods for estimating physical parameters from high-dimensional remote sensing data. Rather than relying on traditional assumptions, it uses modern generative AI models, particularly diffusion models, to better represent priors and sample the posterior probability distribution. The work also aims to improve inference efficiency by reducing dimensionality, reusing computations, and combining multiple measurements. The PhD candidate will develop, test and validate these methods. They will then be applied by him (her) to selected case studies for mapping the surfaces of Mars, the Moon and Earth using data from current space missions.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral