CENTRALE LYON - Doctorant Méthodes d’apprentissage automatique pour la prédiction du microclimat urbain

Résumé du projet de thèse

1. Contexte et objectifs

L’urbanisation accélérée et l’îlot de chaleur urbain augmentent le stress thermique des populations, un phénomène aggravé par le changement climatique (IPCC, 2022). En Europe du Sud, où le vieillissement démographique renforce les vulnérabilités, l’adaptation urbaine devient une priorité. D’ici 2070, les villes du sud de la France pourraient connaître plus de 30 jours de vagues de chaleur annuelles, avec des températures atteignant 50 °C.

La modélisation climatique urbaine est un levier fondamental pour anticiper ces impacts et concevoir des stratégies d’atténuation efficaces. Cependant, les approches existantes, basées sur la résolution numérique des équations modélisant la dynamique et la thermodynamique des écoulements atmosphériques, présentent des limites : si les modèles à méso-échelle permettent une simulation des processus urbains à grande échelle (Redon et al., 2020), ils simplifient excessivement la morphologie urbaine et l’effet des végétaux. À l’inverse, les modèles à micro-échelle, plus précis (Salim et al., 2015 ; Krc et al., 2021), restent limités par leur coût computationnel élevé, rendant difficile leur application opérationnelle à grande échelle. Dans cette perspective, ce projet s’inscrit dans la dynamique des recherches récentes visant à développer des modèles opérationnels, alliant précision et rapidité de calcul grâce à l’intégration de méthodes d’apprentissage automatique ( Buizza et al., 2022).

L’objectif de ce projet de thèse est ainsi de renforcer les capacités de simulation du climat urbain à l’échelle de la rue et d’appliquer ces outils numériques à l’évaluation des scénarios de verdissement, en prenant Lyon comme terrain d’étude. Les autorités locales ont un besoin crucial d’éclairages quant au potentiel de rafraîchissement des stratégies d’adaptation basées sur la végétalisation. Le projet répond aux questions scientifiques liées à l’adaptation des territoires au changement climatique et d’outils de modélisation pour la gestion des risques climatiques en milieu urbain. Il visera à développer un modèle opérationnel optimisé, intégrant des algorithmes d’apprentissage automatique et des données de terrain, afin de simuler avec précision l’exposition thermique au niveau de l’agglomération et d’évaluer les leviers d’atténuation les plus efficaces.

2. Verrous scientifiques

Les simulations atmosphériques urbaines actuelles reposent sur diverses approches de modélisation basées sur la résolution des équations de dynamique des fluides (Maronga et al., 2020). Pour simuler avec précision les conditions microclimatiques, ces modèles doivent intégrer des modules multiphysiques prenant en compte les échanges radiatifs entre les surfaces urbaines ainsi que les échanges évapotranspiratoires et radiatifs des végétaux, ce qui constitue un défi majeur. La simulation des effets des arbres dans ces modèles représente notamment un défi particulier : la résistance au vent des feuilles doit être représentée par une force de traînée (Salim et al., 2015), tandis que les effets sur les échanges radiatifs sont modélisés via un facteur d'atténuation dans des algorithmes spécifiques (Krc et al., 2021).

En raison de leur coût computationnel, ces simulations numériques haute fidélité, sont limitées à de petits domaines et à des conditions météorologiques spécifiques. Elles ne sont donc pas adaptées aux simulations en temps réel ni à l’évaluation des scénarios de verdissement à l’échelle d’une agglomération. Pour contourner cette limitation, des modèles opérationnels sont nécessaires. Conçus pour être accessibles aux non-experts, ces modèles doivent (i) nécessiter bien moins de ressources de calcul et (ii) fournir des valeurs horaires pour des variables telles que la température de l’air, l’humidité, la vitesse du vent et le rayonnement au niveau de la rue, en capturant les principales variations spatiales (Di Sabatino et al., 2013). Ces variables sont essentielles pour calculer des indicateurs de confort thermique, comme l’Universal Thermal Climate Index (UTCI) (Blazejczyk et al., 2012). Pour y parvenir, il est crucial de simplifier la géométrie urbaine et de paramétrer les dynamiques urbaines, en intégrant potentiellement des données de terrain via l'assimilation de données (Nguyen et Soulhac, 2021) ou l’apprentissage automatique (Buizza et al., 2022). La paramétrisation dépendra de l'utilisation du modèle—qu'il s'agisse de simulations en temps réel (gestion des risques sanitaires), d’analyses de scénarios (études épidémiologiques) ou d’optimisation de la planification urbaine. Si plusieurs modèles opérationnels existent pour la qualité de l'air (Soulhac et al., 2011) et le bruit (Gabillet, 1990), très peu sont dédiés à la simulation du climat urbain à l’échelle de la rue. Pour y parvenir, nous proposons dans ce projet de thèse d’intégrer au modèle opérationnel de nouveaux algorithmes d’Intelligence Artificielle (IA) pour la prédiction du stress thermique urbain, dont les verrous scientifiques à relever concernent notamment l’intégration de modalités de différents types et échelles ainsi que la nécessaire frugalité des données pour l’apprentissage des modèles.

Contexte de travail

Etablissement et laboratoires

Cette thèse se déroulera à l’Ecole Centrale de Lyon, un établissement public à caractère scientifique, culturel et professionnel (EPCSCP). Centrale Lyon forme des ingénieurs généralistes, des ingénieurs de spécialité, des étudiants en master et des docteurs. L’établissement accueille au total près de 3 000 étudiants, et dispose d’environ 500 personnels, dont 200 enseignants et enseignants-chercheurs. Il est caractérisé par une recherche reconnue à l’international, adossée à 6 laboratoires de recherche, tous Unités Mixtes de Recherche CNRS, mêlant activités fondamentales et appliquées, en particulier au travers de nombreux contrats industriels.

Du fait de son caractère pluridisciplinaire de la thèse (Mécanique des fluides / Machine Learning), elle se déroulera au sein de deux laboratoire :

•          Laboratoire de Mécanique des Fluides et Acoustique (LMFA),  UMR 5509

•          Laboratoire d'InfoRmatique en Image et Systèmes d'information (LIRIS), UMR 5205

Le LMFA développe un continuum de recherches en mécanique des fluides et en acoustique, depuis la compréhension des phénomènes physiques et leur modélisation jusqu’aux recherches finalisées en partenariat avec les industriels et les organismes publics.

Quant aux recherches menées au sein du LIRIS, elles visent à relever les défis du monde numérique, notamment ceux posés par l’intelligence artificielle (IA), l’analyse de données volumineuses (Big Data), la vision par ordinateur, la cyber-sécurité, la transformation digitale ou l’apprentissage humain. Une partie des activités du LIRIS se situent aux interfaces des sciences humaines et sociales, de l’ingénierie, de la médecine, des sciences de la vie et des sciences de l’environnement.

La supervision de la thèse sera assurée par trois enseignants-chercheurs :

●       Pietro Salizzoni, Professeur, Centrale Lyon, LMFA, pietro.salizzoni@ec-lyon.fr

●       Lionel Soulhac, Professeur, INSA Lyon, LMFA, lionel.soulhac@insa-lyon.fr.

●       Emmanuel Dellandrea, Maître de Conférences, Centrale Lyon, LIRIS, emmanuel.dellandrea@ec-lyon.fr

Financement de la thèse : Bouquet de thèses 2025

Le sujet de thèse de doctorat décrit ci-après s’inscrit au sein d’un bouquet de thèses dont le but est de construire une approche scientifique pluridisciplinaire pour aborder l’enjeu sociétal « Société numérique responsable » et plus précisément, la thématique spécifique « Data et IA dans une démarche durable et responsable », identifiée comme un enjeu prioritaire par les 4 établissements du Collège d’Ingénierie Lyon Saint-Etienne (Centrale Lyon, ENTPE, INSA Lyon, Mines Saint-Étienne) et par l’Université Jean Monnet Saint-Étienne, qui soutiennent financièrement les thèses formant ce bouquet 2025.

Le bouquet de thèses 2025 regroupe 6 thèses qui couvrent différentes facettes de la science des données et de l’intelligence artificielle en abordant les questions suivantes :

●       Monitoring des procédés de cristallisation par émission acoustique assistée par IA

●       Conception assistée par IA de biopolymères biodégradables et/ou biosourcés pour la protection durable des cultures agricoles

●       Méthodes d’apprentissage automatique pour la prédiction du microclimat urbain

●       Identification non-linéaire de structures pilotée par des données

●       Inférence et explicabilité en mode confidentiel : vers l’autodiagnostic via l’image

●       Vers une certification de la surveillance vibratoire par IA explicative

Ces thèses rassemblent au total 16 encadrants rattachés à 11 laboratoires du site Lyon Saint-Etienne (Centre d’Innovation en Télécommunications et Intégration, Centre SPIN – Génie des Procédés, Ingénierie des Matériaux Polymères, Biologie Fonctionnelle, Insectes et Interactions, Institut Camille Jordan, Laboratoire de Mécanique des Fluides et d’Acoustique, Laboratoire de Tribologie et Dynamique des Systèmes, Laboratoire d’InfoRmatique en Image et Systèmes d’information, Laboratoire Hubert Curien, Laboratoire Vibrations Acoustique, Matériaux : Ingénierie & Science) dont les 5 établissements financeurs sont tutelles. Les 6 doctorants recrutés au titre de ce bouquet seront inscrits dans 3 Écoles Doctorales du site : MEGA, EDML, SIS.

Les équipes (doctorants et leurs encadrants) impliquées dans ces 6 thèses forment une communauté scientifique pluridisciplinaire : des échanges réguliers entre ces équipes se dérouleront tout au long des 3 années du parcours doctoral, notamment sous la forme de séminaires communs permettant de développer l’approche systémique pluridisciplinaire propre au bouquet et d’enrichir les compétences disciplinaires des équipes dans un esprit de partage et d’apprentissage. Les mémoires de thèses produits à l’issue du parcours doctoral reflèteront également le positionnement original des travaux de thèse au sein d’un bouquet en incluant un chapitre qui développera l’analyse de l’impact des travaux réalisés sur l’enjeu « Data et IA dans une démarche durable et responsable ».

Références bibliographiques

Blazejczyk, K., et al., International Journal of Biometeorology, 2012, 56, p. 515-535.

Buizza, C.  et al., Journal of Computational Science, Volume 58, 2022, 101525.

Di Sabatino, S., Buccolieri, R., Salizzoni, P. , 2013, Int. J. of Env. Poll. 2013 52:3-4, 172-191

Ding, Y. et al., Neurocomputing, Volume 501, 2022, P. 246-257.

Dumas, G., 2021, PhD Thesis, https://dumas.ccsd.cnrs.fr/OMP-TEL/tel-03700032

Gabillet., Y.  1990, Cahier 2444. CSTB.

Grard, M., Dellandréa, E., Chen, L., Int. J. of Computer Vision, 2020, 128(5), pp. 1331–1359.

Krc, P., Geoscientific Model Development, 2021, 14, p. 3095-3120.

Maronga, B. et al., Geoscientific Model Development, 2020, 13, p. 1335-1372.

Masson, V., Boundary-Layer Meteorology, 2000, 94, p. 357-397.

Nguyen C.-V., Soulhac L., 2021, Atmos. Environ., 253, 118366.

Redon, E., et al., Geoscientific Model Development, 2020, 13, p. 385-399.

Ronneberger,  et al., 2015, MICCAI, Springer, LNCS, Vol.9351: 234–241.

Salim, M.H. et al., Journal of Wind Engineering and Industrial Aerodynamics, 144, p. 84-95.

Schoetter, R., Masson, V. et al., Geoscientific Model Development, 2020, 13, p. 5609-5643.

Soulhac, L., Salizzoni, P. et al., 2011, Atmos. Environ., 45, 7379-7395.

Pré-requis du poste

Profil recherché

Tout.e candidat.e titulaire d’un diplôme d’ingénieur ou d’un Master, avec un excellent dossier académique, de cursus spécialisé en Informatique avec  de fortes compétences en apprentissage automatique et une grande appétence pour la recherche pluridisciplinaire, notamment en lien avec la mécanique des fluides.

Processus de recrutement

Les candidat·es intéressé·e·s, ou souhaitant plus d’information, sont vivement invité·e·s à se manifester en envoyant un mail contenant un CV + un court message de présentation et de motivation à l’équipe d’encadrement (voir adresses ci-dessus).

Les candidatures pourront être faites jusqu’au 27 mai 2025,

Les pièces à joindre au dossier sont le CV, les relevés de notes de Master et une lettre de motivation.