Dans le contexte de l'adaptation au changement climatique, les besoins en données météorologiques à haute résolution temporelle augmentent fortement. De nombreux études d'impact dans les domaines de l'hydrologie, de l'énergie, le transport, de l'agriculture ou de la gestion des risques nécessitent des variables météorologiques à pas de temps horaire. Alors que les projections climatiques issues des modèles régionaux et globaux sont généralement disponibles à une résolution journalière, le développement de méthodes de désagrégation horaire constitue donc un enjeu majeur pour les services climatiques de nouvelle génération.Le poste proposé vise à développer et évaluer différentes approches permettant de reconstruire des séries météorologiques horaires cohérentes à partir de projections climatiques journalières. Une première partie des travaux portera sur la mise en œuvre de méthodes statistiques existantes fondées sur la recherche d'analogues atmosphériques et l'utilisation de bases de données de référence telles que SAFRAN. En parallèle, de nouvelles approches basées sur les techniques d'apprentissage automatique (Machine Learning) seront développées afin d'explorer leur potentiel pour représenter la variabilité intra-journalière et les événements extrêmes.Une attention particulière sera accordée à l'évaluation de la cohérence temporelle, spatiale et inter-variable des séries produites ainsi qu'à leur capacité à préserver les signaux de changement climatique. Enfin, une intercomparaison systématique des différentes méthodes sera réalisée afin d'identifier leurs performances respectives, leurs incertitudes et leurs domaines de validité. Les résultats contribueront au développement d'outils et de services climatiques destinés aux études d'impact et aux stratégies d'adaptation dans différents secteurs socio-économiques.