Sujet de thèse financé (IRAP / EOST)

Annonce transmise par Aurélie Marchaudon (IRAP)

Sujet de thèse : Nouveaux indices d’activité magnétique pour contraindre les modèles de propagation des ondes dans l’ionosphère, application à SATIS

Mots-clés : ionosphère, géomagnétisme, physique des plasmas spatiaux, Météorologie de l’Espace, Deep Learning

Co-financements acquis : Thalès/DGA

Encadrantes : Aurélie Marchaudon (IRAP, Toulouse) and Aude Chambodut (EOST, Strasbourg)

Renvoi dossier de candidature pour le 7 avril 2020 à : aurelie.marchaudon@irap.omp.eu et aude.chambodut@unistra.fr

Nous faisons aujourd’hui face à un besoin croissant d’une meilleure représentation de l’environnement spatial terrestre (système Magnétosphère-Ionosphère-Thermosphère) et de sa réponse aux événements solaires, responsables d’orages magnétiques. Ce besoin est critique dans le cadre de la Météorologie de l’Espace, dont le but est de prévoir la réponse de l’environnement spatial comme on prévoit aujourd’hui le temps qu’il fait, en particulier pour contraindre la propagation des ondes HF et UHF dans l’ionosphère. Depuis quelques années, nous avons contribué à améliorer cette description de l’environnement terrestre en proposant de nouveaux indices d’activité magnétique, appelés indices alphas, avec une bonne résolution temporelle de l’ordre de 15 minutes. Ces indices ont vocation à supplanter les indices historiques Kp développés dans les années 1940 à 1960 et qui sont aujourd’hui obsolètes, utilisés pour contraindre les modèles empiriques de l’ionosphère dans les outils de propagation comme SATIS.

Dans cette thèse, nous proposons de créer une nouvelle génération d’indices issus des indices alphas, avec une meilleure résolution spatiale via une subdivision en temps local.

•    La 1ère partie de la thèse sera consacrée à la construction de ces nouveaux indices sectoriels et à leur caractérisation lors d’événements solaires intenses, responsables des orages magnétiques et des perturbations ionosphériques. Pour cela, on développera un automate à base d’un réseau de neurones pour caractériser les événements du point de vue de la source (vent solaire) et du point de vue de l’effet magnétosphérique (indices d’activité magnétique) et de l’effet ionosphérique (irrégularités provoquant des pertes de signaux HF et UHF).

•    La 2ème partie sera ensuite consacrée à la détection automatique de ces événements géoeffectifs à partir de ces indices. Dans cette seconde phase, nous ferons évoluer l’automate en s’appuyant sur des techniques de Deep Learning afin de rendre plus efficace la détection, voir la prévision des indices, en particulier on s’intéressera aux précurseurs potentiels, en terme de types d’événements et de paramètres physiques.

Références :

Chambodut, A., A. Marchaudon, C. Lathuillère, M. Menvielle, and E.

Foucault (2015), New hemispheric geomagnetic indices α with 15 min time

resolution, J. Geophys. Res. Space Physics, 120, 9943–9958,

https://doi.org/10.1002/2015JA021479.

Chambodut, A., A. Marchaudon, M. Menvielle, F. El-Lemdani Mazouz, and C.

Lathuillère (2013), The K-derived MLT sector geomagnetic indices,

Geophys. Res. Lett., 40, 4808-4812, https://doi.org/10.1002/grl.50947.