Estudiante de Doctorado (PhD) para Modelado Inverso de Emisiones de Contaminantes basado en IA

Título del puesto: Estudiante de doctorado (PhD) para desarrollar modelización inversa de emisiones de contaminantes basada en IA con Observaciones de la Tierra (R1)

Buscamos un científico/a de datos atmosféricos o modelizador/a para incorporarse al grupo de Composición Atmosférica (AC) dentro del departamento de Ciencias de la Tierra del BSC-CNS. Compuesto por unos 50 miembros (ingenieros de investigación, predoctorales, postdoctorales, científicos sénior), el grupo AC tiene como objetivo comprender y predecir mejor las variaciones espaciotemporales de los contaminantes atmosféricos junto con sus efectos sobre la calidad del aire, el tiempo y el clima. Esto se aborda mediante el desarrollo y la aplicación continuos de modelos numéricos en múltiples escalas, desde el tiempo meteorológico hasta el clima y desde escalas globales hasta urbanas. El grupo AC es el núcleo de investigación del modelo Multiscale Online Non-hydrostatic AtmospheRe CHemistry (MONARCH), un modelo de composición atmosférica de vanguardia utilizado tanto para actividades de investigación como operativas, que contiene paquetes avanzados de química y aerosoles acoplados en línea con un motor meteorológico. MONARCH forma parte del conjunto del sistema de pronóstico de la calidad del aire regional del Copernicus Atmospheric Monitoring Service (CAMS), que proporciona pronósticos y análisis operativos sobre Europa. CAMS es un componente clave del sistema de observación de la Tierra de la Unión Europea. MONARCH también funciona operativamente en el primer Centro Regional de Polvo de Barcelona (BDRC) de la Organización Meteorológica Mundial (WMO) para el norte de África, Oriente Medio y Europa, y en el conjunto de pronósticos globales de aerosoles de la International Cooperative for Aerosol Prediction (ICAP). El grupo también desarrolla el modelo de emisiones HERMES, que proporciona emisiones antropogénicas de alta resolución para España y Europa.
Los inventarios de emisiones antropogénicas siguen siendo una de las mayores fuentes de incertidumbre en la modelización de la calidad del aire: suelen compilarse con un retraso de varios años, dependen de datos de actividad y factores de emisión con grandes incertidumbres, y captan deficientemente los cambios rápidos en las actividades humanas. Al mismo tiempo, la generación actual y la próxima de misiones de Observación de la Tierra (EO) —como TROPOMI en Sentinel-5P o el geoestacionario Sentinel-4— proporcionan una visión sin precedentes de los contaminantes atmosféricos con una alta resolución espacial y temporal. Sin embargo, aprovechar estas observaciones para restringir las emisiones mediante enfoques tradicionales de modelización inversa es computacionalmente muy exigente.
Para preparar la próxima generación de estimaciones de emisiones que respalden aplicaciones relevantes para la investigación y las políticas, buscamos un estudiante de doctorado altamente motivado (PhD, R1) para desarrollar métodos de modelización inversa basados en IA capaces de inferir las emisiones de contaminantes (con un primer enfoque en NOx) a partir de observaciones satelitales y simulaciones de MONARCH. Él/ella explorará, adaptará y mejorará enfoques de aprendizaje profundo (deep learning) de vanguardia. Se prestará especial atención a los aspectos metodológicos, incluyendo cómo tratar adecuadamente los huecos intrínsecos de los datos de EO y el impacto de los núcleos de promedio (averaging kernels). Esta investigación comenzará centrándose en la península ibérica, pero luego debería escalar a escala europea y a especies adicionales.
El candidato o candidata seleccionado/a formará parte de un grupo activo de investigadores centrados en aprovechar las tecnologías de aprendizaje profundo para abordar desafíos científicos y políticos clave (actualmente unas 7 personas en el grupo AC, unas 15-20 en el departamento de Ciencias de la Tierra del BSC). Para llevar a cabo esta investigación, tendrá acceso a la innovadora infraestructura de Computación de Alto Rendimiento (HPC) del BSC, especialmente MareNostrum 5, uno de los supercomputadores más potentes de Europa, con un rendimiento pico de 314 Pflops, 200 PB de almacenamiento y 400 PB de archivo activo, y una partición acelerada que incluye 1120 nodos compuestos por 4 nodos de GPUs NVIDIA. El candidato también se beneficiará de la colaboración con el equipo de modelización de emisiones del grupo AC y el grupo de Ciencias de la Tierra Computacional del departamento, compuesto por expertos en HPC, desarrollo de software e IA.

• Desarrollar e implementar marcos de modelización inversa basados en IA para estimar las emisiones de contaminantes a partir de datos de Observación de la Tierra y simulaciones de MONARCH.
• Procesar y explotar observaciones satelitales (p. ej., TROPOMI/Sentinel-5P) junto con mediciones terrestres e inventarios de emisiones bottom-up (p. ej., CAMS-REG, HERMES).
• Entrenar y validar modelos utilizando experimentos sintéticos de MONARCH.
• Colaborar estrechamente con científicos atmosféricos y modelizadores de emisiones, y participar en la vida intelectual del grupo.
• Presentar desarrollos de modelos y hallazgos de investigación, contribuir a publicaciones científicas y otras tareas que se le asignen.

• El puesto estará ubicado en el BSC, dentro del Departamento de Ciencias de la Tierra
• Ofrecemos un contrato a tiempo completo (35h/semana), un buen ambiente de trabajo, un entorno altamente estimulante con infraestructura de vanguardia, horario flexible, un amplio plan de formación, tickets restaurante, seguro médico privado y apoyo en los trámites de relocalización
• Duración: Contrato de duración indefinida debido a las actividades técnicas y científicas vinculadas al proyecto y a la duración del presupuesto
• Vacaciones: 22 días de vacaciones + 6 días personales + 24 y 31 de diciembre según nuestro convenio colectivo
• Salario: ofrecemos un salario competitivo acorde con la cualificación y experiencia del candidato y de acuerdo con el coste de la vida en Barcelona
• Fecha de inicio: 01/11/2026

Referencia: 428_26_ES_AQ_R1