Hot Jupiter's transmission spectroscopy at the eve of JWST observations

Spectroscopie de transmission de Jupiter chaud à l'aube des observations du JWST L'étude des atmosphères d'exoplanètes, en particulier des Jupiter chauds, a considérablement progressé grâce à la spectroscopie de transmission. Cette thèse de doctorat présente une analyse complète des atmosphères de Jupiter chauds en utilisant la spectroscopie de transmission, en mettant l'accent principalement sur le développement et le raffinement des méthodes d'inversion de données à l'aide de statistiques bayésiennes. Notre étude aborde plusieurs aspects critiques : la composition chimique de ces atmosphères, l'influence des effets 3D, ainsi que la contamination stellaire. De plus, nous explorons le potentiel des méthodes d'apprentissage automatique pour améliorer les techniques par inversion, dans le but de se préparer à la mission spatiale Ariel à venir.Après une introduction complète du contexte général, de la physique atmosphérique utilisée et de la méthodologie, nous présentons la première partie de notre étude, où nous effectuons des analyses par inversion sur les spectres de transmission de cinq Jupiter chauds, en examinant à la fois les scénarios de composition chimique à l’équilibre ou hors-équilibre. Cette analyse non seulement améliore notre compréhension des processus chimiques régissant les atmosphères des Jupiter chauds, mais souligne également l'importance de considérer la chimie hors-équilibre, qui peut modifier de manière significative les compositions atmosphériques déduites. La deuxième partie de cette thèse examine les biais introduits par les effets atmosphériques 3D et la contamination stellaire. Les modèles à une dimension traditionnels peuvent conduire à des interprétations erronées des spectres observés en raison de la complexité des atmosphères exoplanétaires. En quantifiant l'impact de ces biais, nous assurons une interprétation plus robuste des atmosphères exoplanétaires. La contamination stellaire est également abordée. Nous traitons l'impact de fausses détections potentielles, causées par l'effet Rossiter-McLaughlin, sur d'autres paramètres du retrieval ainsi qu'un effet d'interférence qui peut conduire à une surestimation des abondances. Quantifier et prendre en compte ces biais est crucial pour interpréter les données d'observation actuelles et futures.Dans la dernière partie, nous explorons l'application de l'apprentissage automatique dans le processus d'analyse par inversion. Ces méthodes ont la capacité de reconnaître des motifs dans des ensembles de données complexes, et offrent donc une alternative prometteuse aux méthodes d'analyse par inversion traditionnelles. Nous explorons des bases de données existantes de spectres synthétiques et développons la nôtre car cela impacte directement la performance et la généralisabilité du modèle aux données réelles. Cette avancée méthodologique est particulièrement pertinente dans le contexte de la mission Ariel, qui devrait fournir un volume sans précédent de données atmosphériques exoplanétaires. En intégrant des algorithmes d'apprentisage automatique dans la pipeline d'analyse, nous visons à améliorer la méthode de traitement de données, permettant une interprétation rapide et précise de données. L'objectif global de cette thèse est d'améliorer l'efficacité des analyses par inversion, ouvrant la voie à des études plus détaillées et plus précises des atmosphères exoplanétaires. En abordant les défis posés par les effets 3D et la contamination stellaire, et en intégrant l'utilisation des CNN dans les analyses par inversion, cette recherche contribue aux connaissances fondamentales et aux outils nécessaires pour l'interprétation réussie des observations des télescopes James Webb et Ariel, par exemple. En fin de compte, ce travail fait progresser notre compréhension de la nature diverse et dynamique des atmosphères exoplanétaires, favorisant une compréhension plus profonde des processus de formation et d'évolution planétaires dans l'univers.