AICAtS 博士：生成模型量化卫星降水气候趋势的不确定性

项目概览

LATMOS 招聘 ANR AICAtS 博士，利用概率生成模型，量化异质卫星档案所推导降水气候趋势的不确定性及可信程度。

研究连接卫星遥感、反演、气候时间序列与 AI，重点并非只提高预测准确率，而是得到可用、可靠的不确定性信息。

工作地点为法国 Guyancourt，岗位为全职、36 个月博士合同，计划于 2027 年 1 月 1 日开始。

2026 年 10 月 28 日 23:59 截止；月薪至少 2300.00 欧元，当前英文页明确为税前。

项目详情

均一的降水时间序列是检测气候趋势、研究水文极端和管理水资源的基础。降水的空间和时间变化强烈，微物理过程复杂，而可用观测往往是间接测量，因而难以可靠估计。卫星提供覆盖全球的水循环观测，支持研究气候趋势、海洋—大气—陆地相互作用及降水型态变化。

卫星辐射计通过间接辐射特征估计降水，解释这些特征时必须考虑云微物理、垂直结构及大气条件。适合的反演和校正方法，是提高估计质量的关键。博士课题将利用 LATMOS 的近期方法积累，探索 AI 对这些问题的帮助。

第一项任务基于 GMI 辐射计建立概率生成模型，估计与观测相容的降水场分布。与基于分位数回归的 DRAIN 算法（Viltard 等，2023）不同，拟开发模型将生成多个合理降水场实现，并对每次估计显式量化不确定性。这里的输出不仅是一个确定性降水值，还包括与观测一致的可能情景。

第二项任务把概率框架扩展到整个 GPM 星座的辐射计。组合多个卫星的微波观测，能够改善气候时间序列的时间覆盖，但观测几何、空间分辨率、辐射灵敏度及仪器寿命差异，会引入影响气候趋势判断的异质性。博士生需要处理这些跨仪器差异，不能只在一种传感器上证明模型表现。

第三项任务建立适合概率降水产品的评价框架。除了比较生成模型架构，还要判断输出集合是否提供可靠且具有科学用途的不确定性。评价需超越传统确定性和概率指标，识别或设计适合降水特点的标准，分析概率校准、空间一致性，以及不同应用下信息是否有价值。

AICAtS 属于 ANR AAPG 2026，关注大气科学 AI 的三个挑战：以概率生成模型刻画物理现象内在随机性（KC1）、推广到不同物理和仪器情景（KC2）、量化预测不确定性（KC3）。这些问题虽已在常规机器学习中广泛研究，但地球物理反问题高度欠定、多时空尺度交织且观测系统异质，因此仍需专门研究。

课题涉及条件概率推断、不确定性校准和分布外泛化。团队希望兼顾稳定性、可复现性和极端降水刻画，避免没有不确定性信息的确定性方案，以及用于长期分析时不稳定的纯生成方案。国际合作包括印度 IIT Hyderabad 的 Shruti Upadhyaya，以及 University of Oklahoma 的 Advanced Radar Research Center（ARRC）研究人员 Pierre-Emmanuel Kirstetter。这些是合作背景，招聘未确定候选人必须在国外驻留的时长。

申请要点

• 合同与地点：全职固定期限博士合同，36 个月；法国 Yvelines 的 78280 GUYANCOURT。

• 研究范围：GMI／GPM 降水概率反演、跨仪器泛化、气候档案异质性及科学适用的不确定性评价。

• 学历及能力：卡片标注 BAC+5，但未列具体专业、编程语言、成绩、英语或其他语言门槛。研究任务不自动成为必须已有的技能。

• 时间：2026 年 10 月 28 日（星期三）23:59 截止，时区未注明；计划 2027 年 1 月 1 日开始。

• 薪资福利：月薪至少 2300.00 欧元，当前英文页明确为税前；每年休假及 RTT 合计 44 天，交通费用承担比例 75%，可持续出行补助最高 300 欧元；列有远程工作及补偿安排。

• 研究联系：ANR AICAtS、LATMOS、IIT Hyderabad 及 Oklahoma ARRC；直接导师和申请联系邮箱未提供。

• 招聘也向持有认可残障劳动者资格证明者开放；岗位编号 UMR8190-CECMAL-004，研究领域为地球系统表层圈层。

需要进一步确认

需要确认具体导师与数据资源、模型和评价的阶段目标、正式申请材料及专业／语言要求。中国申请资格、博士注册单位、工资口径、学费、签证，以及合作交流和差旅支持未明确。公开研究目标是待完成任务，不能当作模型已经实现稳定性或极端事件可靠校准的保证。

博士项目研究报告：面向卫星降水气候趋势的概率生成模型

快速判断

建议：值得优先了解，需核对导师、申请条件和数据资源。课题将气候研究、AI 与卫星遥感结合起来，研究问题明确。当前官方页面确认：岗位为 Guyancourt 的 36 个月全职博士合同，计划 2027 年 1 月 1 日入职，申请截止为 2026 年 10 月 28 日 23:59，薪资为月薪 2,300 欧元税前，学历层级为 BAC+5（官方招聘公告）。

项目吸引人的原因在于它瞄准了真实方法学缺口：基于异质卫星档案识别降水气候趋势时，仅有更好的点估计还不够，还需要可靠的不确定性、校准和跨传感器泛化。项目连接 GMI/GPM 被动微波辐射计、概率生成建模、气候时间序列，以及概率降水产品评价。需要优先核实的条件包括具名导师、博士注册学院、正式申请者画像、算力与数据访问、申请材料、国际申请者/中国申请者资格，以及税前工资是否足以覆盖巴黎大区住房成本。

研究问题与博士工作

研究任务与方法

第一项目标是基于 GMI 辐射计数据建立概率生成模型，估计与观测相容的降水场分布。项目页面将其与 Viltard 等人的 DRAIN 算法对比；DRAIN 基于分位数回归，而新模型应生成多个合理降水场实现，并为每次估计附上显式不确定性（官方招聘公告）。DRAIN 本身是 LATMOS 相关的近期成果：NASA GPM 出版物页面记录了 Viltard、Sambath、Lepetit、Martini、Barthès 和 Mallet 的 2023 年 IEEE TGRS 文章，并标注其为 GPM 相关出版物（NASA 的 DRAIN 正式论文记录）。

第二项目标是把这个概率框架扩展到整个 GPM 辐射计星座。NASA 的星座页面说明，除核心 DPR/GMI 系统外，GPM 星座还包含多个被动微波辐射计仪器（NASA GPM 卫星星座）。这使项目在科学上更难：不同观测几何、空间分辨率、辐射灵敏度和仪器寿命可能制造表观气候信号，也可能掩盖真实信号。

第三项目标是为概率降水产品设计评价框架。项目页面说明，评价必须超越传统确定性指标和常规概率指标，考察校准、空间一致性和对科学应用的实际用途（官方招聘公告）。这是积极信号：该论文不只是“训练一个模型”，而是要判断不确定性是否足够可信，能否服务气候科学。

尚未解决的问题及其重要性

课题题目非常明确：使用生成模型，量化异质卫星档案中降水气候趋势的不确定性和可信度。均一降水序列对气候趋势检测、水文极端研究和水资源管理很重要，但降水观测很难，因为它在时空上高度变化，受云微物理和垂直结构影响，而且通常是从辐射特征间接反演，而不是直接测量（官方招聘公告）。

这不是泛泛的 AI 题目，而是真正的前沿问题。NASA 将 GPM 描述为一个国际卫星网络，通过携带雷达/辐射计的核心观测卫星，统一来自卫星星座的降水测量；GMI 则是多通道微波辐射计，同时承担降水观测和辐射标准角色（NASA GPM 任务介绍，NASA GMI 仪器介绍）。NASA 还说明，IMERG 结合 GPM 星座覆盖地球大部分区域的信息，并把 TRMM 时代与 GPM 时代的降水估计连接成几十年的连续记录，可用于趋势和极端降水分析（NASA IMERG 降水产品）。该博士问题正处在这个交界处：长期档案很有价值，但异质传感器和间接反演会制造不确定性；在信任气候趋势结论前，必须量化这些不确定性。

学校、学科与培养

官方项目页面列出雇主/实验室环境为 CNRS/LATMOS，但未说明博士学院。最可能的注册生态是 Paris-Saclay/UVSQ，因为 LATMOS Guyancourt 属于 UVSQ 与 Université Paris-Saclay 范围，而 Paris-Saclay 的 Earth, Climate, Environment and Planetary Sciences 博士项目页面明确列出 LATMOS 和 Environmental Sciences in Ile-de-France 博士学院（SEIF）（Paris-Saclay 地球与气候博士培养，UVSQ 博士学院介绍）。这仍是待核实事项，因为招聘本身没有写明 SEIF、Paris-Saclay 注册、申请材料或注册费处理。

对该题目而言，机构信号较强。Université Paris-Saclay 的 2026 上海学科排名新闻显示，其生态学、大气科学、统计学和电子电气工程均进入全球前 50，其中大气科学第 29、统计学第 33（Paris-Saclay 2026 年学科排名说明）。这些是大学学科层面的信号，不能据此保证本岗位最终在 Paris-Saclay 注册，也不代表具体导师的指导质量。

导师与实验室评估

可能导师与核实边界

当前招聘页面没有列出个人导师姓名或直接联系方式。岗位原生编号是 UMR8190-CECMAL-004，题目也与 Cécile Mallet 在 LATMOS 的降水/遥感研究高度一致，因此 Cécile Mallet 是很强的研究方向线索，但不是已被岗位页面正式确认的导师。她的 LATMOS 页面显示，她是 UVSQ 教师研究员、LATMOS 研究人员，属于 SPACE 团队，并给出 Guyancourt 联系方式（Cécile Mallet 个人研究页面）。她的 CV 页面说明，她自 2009 年起在 LATMOS UMR 8190 工作，其 HDR 主题涉及电磁波传播和降水观测中的统计建模（Cécile Mallet 履历）。

实验室环境较强。LATMOS 是 UMR 8190 联合研究单位；其官方介绍说明，实验室分布在 Guyancourt 和 Paris 两个地点，约有 150 名固定人员、总人数超过 230 人，并通过观测、建模和空间任务专长研究地球、行星和日球层环境（LATMOS 实验室介绍）。UVSQ 官方 LATMOS 页面核实了 Guyancourt 地址、CNRS/Sorbonne/UVSQ 共管关系，以及其地球、宇宙和空间科学领域定位（UVSQ 的 LATMOS 单位介绍）。

近期重要论文与输出

第一篇直接相关论文是 Evaluation of DRAIN, a Deep-Learning Approach to Rain Retrieval from GPM Passive Microwave Radiometer。NASA GPM 将其记录为 2023 年 IEEE TGRS 论文，作者包括 Nicolas Viltard、Laurent Barthès 和 Cécile Mallet（NASA 的 DRAIN 正式论文记录）。arXiv 摘要显示，该文提出用 GPM 亮温和雷达降水率训练 U-Net 降水反演算法，以图像方式处理，而不是逐像素反演（DRAIN 作者预印本）。这与招聘项目非常接近，因为项目明确把新生成模型与 DRAIN 对照。

第二篇相关论文是 Unsupervised Domain Adaptation to Mitigate Out-of-Distribution Problem of Spatial Radiometer Images: Application to Quantitative Precipitation Estimation。NASA GPM 将其记录为 2024 年 IEEE TGRS 论文，作者为 Sambath、Dubois-Quilici、Viltard、Martini 和 Mallet（NASA 领域适配论文记录）。这支持论文第二目标：在辐射计星座中实现跨仪器泛化。

第三篇相关论文是 2022 年 Cambridge Environmental Data Science 文章 Unsupervised domain adaptation for Global Precipitation Measurement satellite constellation using Cycle Generative Adversarial Nets，作者为 LATMOS 的 Sambath、Viltard、Barthès、Martini 和 Mallet（Cambridge 的 CycleGAN 论文）。它特别相关，因为它使用 CycleGAN/领域适配来解决 GPM 星座兼容性问题，可看作拟议生成式不确定性工作的前置积累。

近期生成模型活动还体现在 Guided Conditional Diffusion for Correction of Weather Radar Beam Blockage Artefacts。2026 年 Springer/ISMIS 论文集列出 Assaad Zeghina、Victor Enescu、Nicolas Viltard、Laurent Barthès 和 Cécile Mallet（ISMIS 论文集）。这篇是雷达而不是卫星辐射计降水反演，因此不能夸大为同一问题；但它显示团队正在把扩散式生成方法用于降水观测校正。

对上述论文的证据边界需要进一步区分。DRAIN 的 NASA 正式记录日期为 2023 年 7 月 10 日，arXiv 版本提交于 2023 年 3 月 2 日。本文读取了作者提交的完整摘要：U-Net 以亮温图像为输入、雷达降水率为参考，并在文中比较 GPROF；这一结果不能外推为新生成模型已经获得可靠的长期气候不确定性。Mallet 是共同作者，未据作者顺序推定个人负责全部算法。

2022 年 12 月 6 日发表的 CycleGAN 论文是气候信息学会议经同行评审的可行性研究。此次读取了出版方的方法、结果和贡献声明：实验主要在同一 GMI 的 89 GHz 水平/垂直极化通道间做转换，测试月份为 2018 年 12 月和 2020 年 5 月；生成场保留结构，但降水强度偏弱。它尚未验证整个异质卫星星座的长期气候趋势。Mallet 的明确贡献包括概念设计和方法，而首稿由 Sambath 写作，Viltard 负责数据整理。

2024 年领域适配论文的作者、DOI 和日期 2024 年 5 月 20 日由 NASA 记录确认；本轮未获得出版方全文，不对具体性能数字或个人职责作进一步推断。扩散模型论文于 2026 年 7 月 21 日首次在线发表，可读取出版方完整摘要和作者单位，全文仍需订阅。摘要描述用受损雷达观测与质量图引导条件逆扩散，训练时模拟遮挡，并用真实雷达拼图中的模拟和自然遮挡评价。五位作者属于 LATMOS，部分另属 Inria ARCHES；作者参与不等于已确认博士指导关系。雷达遮挡修复也不能直接证明卫星降水的气候趋势已经校准。扩散模型论文正式页面。

经费、申请与生活成本

官方页面写明月薪 2,300 欧元税前、44 天年假/RTT、75% 交通报销，以及最高 300 欧元的可持续出行补助（官方招聘公告）。法国国家博士合同指南确认，2026 年 1 月 1 日起，公法博士合同标准为 2,300 欧元税前/月（法国公共博士合同）。

广告没有保证税后金额。CNRS 合同薪酬指南说明，可按约 19%–20% 的雇员缴费率估算扣缴后的工资，个人所得税尚未扣除；按此计算，2,300 欧元税前约为个人所得税影响前 1,840–1,863 欧元，但最终仍以雇主工资单估算为准（CNRS 合同雇员缴费说明）。

相比法国小城市，该项目的财务风险更高。Guyancourt 位于巴黎大区，Campus France 提醒法国生活成本可能较高，尤其是巴黎和大城市（法国生活预算指南）。Campus France 住房指南说明，CROUS 房租通常较低，巴黎约 450 欧元、法国其他地区平均约 350 欧元，但名额竞争激烈，符合条件的国际学生需要通过 CROUS 住房平台申请（法国学生住宿指南）。若能锁定住房，约 1,840–1,863 欧元的扣除雇员缴费、尚未扣所得税的收入可能覆盖基本开支；但如果只能租巴黎大区私营住房，储蓄空间会明显下降。

申请者匹配与准备

形式资格与可能背景

正式来源只写 BAC+5。它没有说明必需专业、编程语言、语言证书、成绩门槛或申请材料清单。因此最安全的解释是：候选人需要硕士/工程师层级准备，但应确认团队主要期待大气科学、遥感、应用数学、统计、计算机科学、机器学习、物理还是地球科学背景（官方招聘公告）。中国申请资格未知，不能自行推断。

较匹配的背景很可能是：Python/科学计算、深度学习、概率建模、卫星遥感、地球物理反问题，以及足够的降水/气候素养，能够科学评价产品。较有力的证据包括有关遥感、不确定性量化、生成模型、贝叶斯/深度概率模型、气候数据记录、xarray/netCDF/HDF、PyTorch/JAX、地理空间数据流水线或验证指标的硕士论文或项目。

纯机器学习背景的申请者如果能证明快速学习辐射计和地球观测验证，也可能有竞争力。大气科学背景的申请者如果能证明足够的现代 ML 实现深度，也可能有竞争力。弱匹配则是把该项目只理解为图像生成；这篇论文的主要价值是面向气候相关降水反演的校准不确定性。

申请前准备

申请准备应包括一份关于 GPM/GMI/IMERG 的简短技术说明，一份 DRAIN 与 GPM 星座领域适配总结，以及一页关于如何评价概率降水产品的计划。NASA 的降水算法页面解释了被动微波辐射计为何要从亮温间接推断降水，这是理解物理反演侧的良好起点（NASA 降水反演算法介绍）。

申请者还应准备关于训练数据、算力资源、校准指标、集合评价、极端降水和气候趋势稳定性的针对性问题。世界气象组织将 AI 描述为可用于天气、气候和水文，但也强调专家评价、不确定性解释、信任、数据治理和公平访问（世界气象组织 AI 介绍）。这与项目强调可靠不确定性而非单纯准确率高度一致。

领域前景与职业市场

可考虑的职业方向包括地球观测、气候服务、水文、AI 和不确定性量化相关工作。ESA 的 2026 Space Economy Report 描述了规模较大的下游空间市场，并将地球观测列为商业下游版图的一部分（ESA 2026 年空间经济报告说明）。欧盟 2026 space-market report 将 Copernicus 与地球观测描述为下游应用的重要支撑，涉及环境监测、危机管理、基础设施和数字技术（欧盟 2026 年空间市场报告介绍）。

数据基础设施也在朝有利方向发展。Copernicus Data Space Ecosystem 2025 年报发布信息描述了云原生地球观测访问和处理的持续增长、超大规模 EO 档案和服务化数据环境（Copernicus 2025 年数据空间年报发布）。这些行业背景可帮助寻找气候服务、卫星数据科学、天气/气候 AI、空间机构、国家气象服务、水文、风险分析、EO 初创公司和研究实验室等方向；不能据市场报告保证个人岗位数量、薪资或录用。

就业方面需注意：，气候/EO 岗位通常要求强领域可信度和可复现工程能力，而不只是训练 ML 模型。因此，该项目中的评价和不确定性部分本身就是重要就业信号。

关键风险与核实问题

第一项风险是导师和行政信息不明确。题目强烈指向 Cécile Mallet/LATMOS 的降水 AI 方向，但官方页面没有列出导师姓名。投入大量准备前，应确认论文导师、共同导师、日常联系人、博士学院、注册机构和申请材料清单。

第二项风险是数据和算力。项目依赖卫星档案、GPM 星座数据、概率/生成式训练和评价。申请者应询问数据预处理流水线是否已经存在，GMI/DPR/IMERG 产品是否已在本地整理，GPU/HPC 资源如何，以及进入科学建模前需要承担多少工程工作。

第三项风险是评价难度。概率降水产品可能看起来合理，却存在校准错误、空间不一致、跨传感器不稳定，或在极端事件上不可靠。应询问第一年“有用的不确定性”如何定义，哪些基线必须比较，以及论文将与 DRAIN、IMERG/GPROF、领域适配基线还是新的气候趋势诊断进行比较。

第四项风险是生活成本。薪资口径明确为税前，但巴黎大区住房是主要财务变量。应询问税后工资估算、注册费/CVEC、交通报销细节、食堂权限，以及 CROUS/私营住房支持。

证据与来源

• 项目与宿主环境：官方招聘公告，LATMOS 单位招聘入口，LATMOS 实验室介绍，UVSQ 的 LATMOS 单位介绍，Paris-Saclay 的 LATMOS 介绍。
• 可能导师与团队证据：Cécile Mallet 个人研究页面，Cécile Mallet 履历，IASIS 遥感与气候学术活动，Cécile Mallet 学术记录。
• GPM/GMI/IMERG 与降水反演：NASA GPM 任务介绍，NASA GMI 仪器介绍，NASA GPM 卫星星座，NASA IMERG 降水产品，NASA 降水反演算法介绍。
• 近期出版物：NASA 的 DRAIN 正式论文记录，DRAIN 作者预印本，NASA 领域适配论文记录，CycleGAN 与 GPM 原始论文，ISMIS 论文集，EGU 2025 年会议摘要。
• 博士与机构背景：Paris-Saclay 地球与气候博士培养，UVSQ 博士学院介绍，Paris-Saclay 博士学院介绍，Paris-Saclay 2026 年学科排名说明。
• 经费、生活成本与行政：法国公共博士合同，法国博士培养框架，CNRS 合同雇员缴费说明，法国生活预算指南，法国学生住宿指南，研究接收协议。
• 职业与领域前景：世界气象组织 AI 介绍，ESA 2026 年空间经济报告说明，Copernicus 2025 年数据空间年报发布，欧盟 2026 年空间市场报告介绍，ESA 地球观测市场背景。