Les impacts socio-économiques de la sécheresse

31/05/2024 08:30

Le DEA/Master de télédétection de Paris fête ses 40 ans

23/05/2024 14:00

Fluid Dynamics of Sustainability and the Environment

21/05/2024 14:23

Risk issues of soil contamination in the context of climate change: a three-step approach modelling regional Cu speciation, Cu runoff and effect on heterotrophic respiration

26/05/2023 11:00

Séminaire du LGENS.

The importance of evolutionary potential in conservation decision-making

25/05/2023 16:00

Séminaire d’équipe de biogéochimie (Département de Géosciences, ENS).

Integrating Physics, Data, and Scientific Machine Learning to Better Understand and Model Climate Variability and Extremes

25/05/2023 15:00

Séminaire du LMD-ENS.

Mobility and urban road transport CO₂ emissions at high resolution from Floating Car Data

28/11/2025 14:00

Road transport is a direct source of CO₂ emissions, accounting for 11% of global total GHGs, with approximately twothirds of these emissions being generated in urban areas (International Energy Agency). These emissions areaccompanied by harmful air pollutants, posing significant health risks, especially to city inhabitants. Traditional “top-down”emission inventory methods rely on fuel sales data and disaggregation techniques, leading to considerable spatial andtemporal uncertainties.

In contrast, “bottom-up” approaches, based on vehicle counts per road segment combined withemission factors, enable high-resolution estimates useful for environmental modeling and local policy assessment.However, conventional traffic monitoring systems (e.g., inductive loops, cameras, manual counts…) are costly and limitedin spatial coverage. The recent proliferation of vehicle geolocation data provides a new opportunity to reconstruct roadtraffic at lower cost, especially in unmonitored areas.

This PhD thesis aims to leverage such data to estimate urban trafficand associated emissions of CO2 and other co-emitted pollutants at high spatiotemporal resolution. The first chapterdevelops a Machine Learning method to estimate hourly traffic flow and occupancy per road segment in Paris, using onlyopen data traffic monitoring. This work spans the period 2018-2022 and highlights the impact of COVID-19 on mobilitybehavior.

The second chapter applies speed-dependent emission factors from the Computer Program to CalculateEmissions from Road Transport (COPERT) to estimate emissions of CO₂, NOx, and PM. The analysis includes theinfluence of fleet modernization and the growing share of Sport Utility Vehicles (SUVs). The third chapter, conductedduring a research stay at the University of California Irvine, extends the bottom-up approach to 457 U.S. cities using streetlevel Floating Car Data (FCD) from TomTom and accessed through the Kayrros company. Since FCD only covers asample of vehicles, the signal is adjusted using statistics from the Federal Highway Administration. The data’s speeddistribution enables the use of the MOtor Vehicle Emission Simulator (MOVES) model for emissions estimation. The roleof traffic congestion and population density is also explored. The fourth chapter focuses on Europe, where validation datafor traffic volume is less accessible. We compile open traffic datasets from 36 major cities and publish a standardizeddataset of annual average daily traffic volumes to support further research. The fifth chapter evaluates the extent to whichprivate FCD data (here from NEXQT company) can replicate the real traffic volumes.

Firstly, our aim is to reconstruct thedaily traffic volumes reported in the previous chapter in 28 major European cities. We examine the performance of locallytrained Machine Learning models before generalizing to broader zones and discuss the limitations of using FCD for thistask. Finally, we compare the performance of classical tabular machine learning models with Graph Neural Networks(GNN) for hourly flow prediction in Paris, Berlin, Madrid and Zurich. This work enhances the quantification of urban CO₂ emissions from road transport by leveraging large-scale, heterogeneous geolocation data, providing new insights forspatiotemporal emission monitoring, policy evaluation, and the transition toward more sustainable urban mobility.

Modèles simplifiés de climat : approche thermodynamique et approche dynamique.

26/11/2025 14:00

En Français

Les modèles de climat possèdent des paramètres mal contraints calibrés sur les observations du climat du présent. La justesse de l’extrapolation des résultats pour des climats du passé ou du futur n’est pas garantie. Dans l’atmosphère, modéliser directement la dynamique avec les valeurs moléculaires bien connues des coefficients de viscosité et de diffusion, est impossible avec les capacités numériques actuelles, et très certainement, futures. Il y a donc besoin d’explorer des voies alternatives. Le but cette thèse est de créer des modèles simples de climat, plus robustes, sans paramètres ajustables mal contraints .

L’hypothèse de maximisation de la production d’entropie (MEP) sous contraintes permet de calculer un champ de variables thermodynamiques (températures, précipitations, humidité…). Dans une première partie, j’utilise MEP dans un modèle radiatif-convectif, pour calculer des précipitations. Je montre que le modèle minimal pour calculer une humidité relative satisfaisante avec MEP, doit inclure la convection profonde avec un panache nuageux.

Les log-lattices sont un outil mathématique permettant de résoudre des équations aux dérivées partielles à toutes les échelles spatiales, à coût numérique réduit. Dans une deuxième partie, j’étudie les lois d’échelle dans les équations de Rayleigh-Bénard en rotation, projetées sur des log-lattices. Je retrouve le régime ultime quasi-géostrophique.

 

---

In English

Climate models have unconstrained parameters tuned on present climate observations. The accuracy of results for past or future climate extrapolation is not guaranteed. In the atmosphere, directly modelling the dynamics with well-known molecular viscous or diffusion coefficient values is impossible with today, and certainly not future, numerical capacities. Therefore, exploring alternative ways is needed. This thesis aims to create simple, more robust climate models with no poorly constrained adjustable parameters.

The maximum entropy production hypothesis (MEP) under constraints enables the computation of thermodynamic variable fields (temperature, precipitation, humidity…). In the first part, I use MEP in a radiative-convective model to compute precipitation. I show that the minimum model computing a satisfying relative humidity with MEP must include deep convection with a cloud plume model.

Log-lattices are a mathematical tool for solving partial differential equations at all spatial scales, at reduced numerical cost. In a second part, I study scaling laws in rotating Rayleigh-Bénard equations, projected on log-lattices. I find the quasi-geostrophic ultimate regime.

Restitution de propriétés microphysiques et dynamiques de la convection profonde par satellite : préparation de la mission C²OMODO

24/11/2025 14:00

La convection profonde joue un rôle central dans la redistribution de chaleur et d’humidité dans la troposphère, dans la circulation atmosphérique tropicale et dans le bilan radiatif terrestre global. Elle est à l’origine de phénomènes extrêmes tels que les orages violents, les pluies intenses ou les cyclones tropicaux, mais demeure difficile à observer et à représenter dans les modèles climatiques et de prévision du temps. En parallèle des campagnes de terrain et des observations au sol, la télédétection spatiale est devenue essentielle pour observer les systèmes convectifs à l’échelle globale avec une fréquence de revisite élevée. Celle-ci a permis de révéler leur morphologie et d’apporter des informations sur leur structure interne, mais la documentation de leur dynamique verticale reste limitée.

Dans ce contexte, la mission Convective Core Observation through MicrOwave Derivative in the trOpics (C²OMODO) vise à mieux comprendre les nuages convectifs et leurs processus de formation. Elle repose sur un tandem de radiomètres micro-ondes passifs observant successivement une même scène avec un décalage de 45 à 135s. Cette configuration originale permet d’exploiter les mesures et leurs variations temporelles pour restituer des informations microphysiques et dynamiques.

Les travaux de cette thèse visent à préparer l’exploitation de cette mission du CNES en développant des méthodes d’inversion de propriétés microphysiques et dynamiques à l’aide d’algorithmes d’apprentissage automatique et d’une approche variationnelle. Ils s’appuient sur des simulations de la convection tropicale couplées à un modèle de transfert radiatif. Ces travaux montrent que les observations présentent une sensibilité verticale suffisante pour distinguer différents niveaux d’altitude, qu’elles sont fortement influencées par la glace et sensibles à la nature des hydrométéores. L’introduction de la dimension temporelle relie directement les variations radiométriques rapides à l’évolution de la distribution de glace et offre un accès inédit aux propriétés dynamiques des systèmes convectifs.

Deux approches complémentaires ont été développées. L’apprentissage automatique a d’abord été utilisé pour classifier les différentes structures nuageuses des systèmes convectifs et restituer des variables géophysiques intégrées verticalement. En parallèle, une méthode variationnelle originale, VARAND², a été conçue pour exploiter directement les mesures du tandem et restituer des propriétés dynamiques verticalement résolues. L’algorithme, fondé sur un opérateur d’observation dynamique couplant transfert radiatif et advection verticale, restitue simultanément le profil de contenu en glace ainsi que des paramètres dynamiques décrivant les ascendances convectives. Les résultats de ces deux méthodes confirment le potentiel du tandem C²OMODO pour restituer conjointement des propriétés microphysiques et des indicateurs dynamiques de la convection profonde.

 

---

— English Version —

Deep convection plays a central role in the redistribution of heat and moisture in the troposphere, tropical atmospheric circulation, and the Earth’s global radiation budget. It is responsible for extreme phenomena such as severe thunderstorms, heavy rainfall, and tropical cyclones, yet it remains difficult to observe and represent in weather and climate models. Alongside field campaigns and ground-based observations, satellite remote sensing has become essential for observing these systems at the global scale with a high revisit frequency. It has revealed the morphology of convective systems and provided information on their internal structure, but documentation of their vertical dynamics remains limited.

In this context, the Convective Core Observation through MicrOwave Derivative in the trOpics (C²OMODO) mission aims to improve our understanding of convective clouds and their formation processes. It relies on a tandem of passive microwave radiometers that successively observe the same scene, separated by 45 to 135s. This novel configuration makes it possible to exploit the measurements and their temporal variations to retrieve microphysical and dynamical information.

This thesis aims to prepare the scientific exploitation of this CNES mission by developing inversion methods for microphysical and dynamical properties using machine-learning algorithms and a variational approach. It builds on simulations of tropical convection coupled with a radiative transfer model. The results show that the observations exhibit sufficient vertical sensitivity to distinguish different altitude levels, that they are strongly influenced by ice, and that they are sensitive to hydrometeor types. Introducing the temporal dimension directly links rapid radiometric variations to the evolution of the ice distribution and provides unprecedented access to the dynamical properties of convective systems.

Two complementary approaches have been developed. Machine learning was first used to classify cloud structures within convective systems and to retrieve vertically integrated geophysical variables such as IWP. In parallel, a novel variational method, VARAND², was designed to exploit the tandem measurements directly and to retrieve vertically resolved dynamical properties. The algorithm, based on a dynamic observation operator coupling radiative transfer and vertical advection, simultaneously retrieves the ice water content profile along with dynamical parameters describing convective updrafts. The results of these two methods confirm the potential of the C²OMODO tandem to jointly retrieve microphysical properties and dynamical indicators of deep convection.