Effets de la structure tridimensionnelle des atmosphères d’exoplanètes chaudes sur les observations et les modèles d’inversion de données

Abstract

Nous sommes aujourd'hui en mesure non seulement de découvrir de plus en plus d'exoplanètes, mais aussi d'observer leurs atmosphères afin d'obtenir des informations sur leurs propriétés physiques, dynamiques et chimiques. Avec la nouvelle génération de télescopes spatiaux tels que le JWST ou Ariel, nous serons en mesure d'observer des caractéristiques spectrales aujourd'hui non-observables. Cependant, lors des observations en transits, la structure géométrique des atmosphères, et notamment la dichotomie jour--nuit des Jupiters chauds et ultra chauds, affecte le spectre en transmission et génère des biais dans l'interprétation des modèles d'inversion de données.Ma thèse se concentre sur l'étude des effets de la structure tridimensionnelle des atmosphères d'exoplanètes, en particulier des plus chaudes d'entre elles. Le but est de déterminer leurs importances et leurs origines pour permettre une meilleure analyse des données spectrales. Pour y parvenir, j'ai mis en place une expérience numérique simulant des observations de Jupiters chauds où je contrôle l'ensemble de la chaîne observationnelle, de la génération de l'atmosphère à l'inversion de données. En complément, j'ai analysé des observations du télescope spatial Hubble de Kelt-7 b, un Jupiter chaud, pour lier mes analyses numériques à des données réelles.Mes travaux ont montré que la structure particulière des Jupiters les plus chauds affecte significativement les données d'observations, impliquant des biais importants dans les résultats des modèles d'inversion de données 1D. Bien que ces modèles restent valables sur une large gamme de planètes, j'ai démontré que pour les exoplanètes les plus chaudes, ils sont intrinsèquement incapables de trouver l'abondance des espèces. Je suis parvenu à quantifier ces biais et à comprendre leurs origines, apportant une amélioration à l'avenir des interprétations faites à partir des modèles 1D. Par ailleurs, je conclue qu'il est nécessaire de développer en parallèle des modèles 2D pour tenter de résoudre ces biais.