La métérologie de l'espace (SWE) explore les causes et conséquences des interactions Terre-environnement spatial, de l'activité solaire aux tempêtes géomagnétiques, en passant par les rayons cosmiques. Elle tente de comprendre l'état du soleil, du milieu interplanétaire et planétaire, et de prévoir et modéliser les perturbations qui les affectent. En effet, les phénomènes en jeu impactent directement les systèmes spatiaux, les structures sol et même les astronautes. Dans ce contexte, les méthodes et outils d'intelligence artificielle (IA) ont un rôle important à jouer et peuvent nous aider à modéliser, prévoir et comprendre certains phénomènes.Cette thèse est une collaboration entre l'industrie et la recherche. Son objectif est de fournir des produits opérationnels utilisés pour mieux informer les opérateurs ou assureurs de satellite des dangers qu'ils encourent. Elle se découpe en une partie théorique, fonctionnant comme un recueil d'informations, et une partie plus pratique, où les codes et les modèles sont présentés. La première sert d'encyclopédie pour l'entreprise partenaire et balaye plus largement les sujets de SWE et d'IA, englobant par la même occasion de futures pistes de recherche pour l'entreprise. La deuxième partie se concentre sur la modélisation et la prévision des flux d'électrons auroraux de basse énergie (≤ 30 keV) tels que mesurés par les instruments SSJ/4 et SSJ/5 du programme DMSP. Pour cela, deux familles de modèles d'IA sont utilisées: les Réseaux Neuronaux Entièrement Connectés (FCNN) et les Réseaux Convolutionnels Temporels (TCN). Pour les entrainer, nous utilisons les mesures de vent solaire, des composantes du champ magnétique interplanétaire et certains indices proche-Terre, mesurés par le satellite ACE et par la base de données OMNIWeb de la NASA. Pour des raisons pratiques et d'applications industrielles, nous avons utilisé les librairies PyTorch et PyTorch-Lightning. Données, modèles et résultats ont été méticuleusement évalués et comparés à OVATION, modèle le plus largement utilisé par la communauté, et PrecipNet, un FCNN, et le plus performant aujourd'hui.Nos FCNN et TCN obtiennent des performances bien supérieures à OVATION sur les métriques utilisées mais que très légèrement meilleures que PrecipNet. En revanche, PrecipNet est, par construction et prétraitement des données, difficile à adapter à de nouvelles problématiques, ce qui fait de notre produit une meilleure réponse aux besoins d'industrialisation. Enfin, si le FCNN a posé des bases et performances solides, c'est le TCN qui s'est révélé le plus prometteur, par sa capacité à gérer d'importantes plages de données temporelles et ce malgré son temps d'entrainement plus long et son besoin en données continues. Des solutions à ces problèmes telles que des interpolations spécifiques, de nouveaux jeux de données, ou des combinaisons d'architectures ont été envisagées et feront l'objet de travaux futurs.Un des avantages de cette étude est qu'elle pose une base réadaptable et combinable avec de nouvelles données pour répondre à d'autres problématiques. En particulier, une idée prometteuse est la combinaison du TCN avec la méthode des "gradients intégrés" qui permet de renforcer l'interprétabilité du modèle. Il sera ainsi possible de remonter à des informations comme le délai entre l'entrée et la sortie ou savoir quel paramètre de vent solaire a le plus d'influence sur ce qu'il se passe près de la Terre.En conclusion, la thèse offre une vue d'ensemble des méthodes et approches utilisées pour l'analyse du SWE, avec une attention particulière portée aux techniques d'apprentissage automatique et à leur applicabilité dans ce domaine. En essence, elle sert à la fois de témoignage de notre compréhension actuelle de certains phénomènes, et marque un pas vers des collaborations plus profondes avec l'industrie et les entreprises privées, qui ont également un rôle important à jouer dans la protection et la préservation de l'environnement spatial.