Stage - ingénieur : détection par ia multivariée des contours de tourbillons océaniques méso échelles - h/f

CLS (Collecte Localisation Satellites), filiale du CNES et de CNP, est une société internationale, pionnière dans la fourniture de solutions d'observation et de surveillance de la Terre depuis 1986.

CLS emploie 1200 salariés, répartis dans 35 sites dans le monde.

Sa vision est d'imaginer et de déployer des solutions innovantes pour comprendre et protéger notre Planète, et gérer durablement ses ressources.

L'entreprise œuvre dans 5 secteurs d'activités stratégiques : la gestion durable des pêches, l'environnement et le climat, la sécurité maritime, la gestion de flottes et les énergies & les mines. L'entreprise fournit notamment des services satellitaires basés sur la localisation et la collecte de données environnementales, l'observation des océans et des eaux continentales, et la surveillance des activités terrestres et maritimes.

La Business Unit (BU) Environnement de CLS adresse le développement de services opérationnels ou d'activités de recherche dans les domaines de l'océanographie, la météorologie, l'hydrologie, et la géodésie spatiale pour les agences spatiales, des scientifiques, des acteurs institutionnels ou universitaires mais également des sociétés privées.

Les tourbillons mésoéchelle (entre 50 et 200km de rayons) sont des structures omniprésentes dans l'océan. Ils piègent et transportent de grandes masses d'eau sur de longues distances, jouant ainsi un rôle clé dans la redistribution de l'énergie, de la chaleur et des éléments nutritifs. Leur influence se manifeste également sur la dispersion de certaines substances en surface, impactant directement les écosystèmes et la répartition des espèces marines.

Pour observer ces phénomènes, CLS produit quotidiennement des cartes de hauteur de surface de la mer via le système DUACS ), à partir des données des satellites altimétriques. Ces cartes globales, issues d'une combinaison d'observations multi-satellites, permettent la détection et le suivi des tourbillons dans le temps. CLS développe et utilise notamment l'outil py-eddy-tracker (https://py-eddy-), basé sur les contours de hauteur de surface, pour détecter quotidiennement les tourbillons.

Cependant, les cartes de hauteur de mer disponibles sont lissées et limitées à une résolution de ¼° (~25 km). Dans certains cas, les contours détectés ne reflètent pas fidèlement la structure réelle des tourbillons. Pour pallier cette limite, l'utilisation de données complémentaires (température de surface de la mer, concentration de chlorophylle) pourrait améliorer la détection. Ces jeux de données présentent toutefois des lacunes (zones manquantes liées à la couverture nuageuse, bruit de mesure, etc.), rendant difficile l'application de méthodes classiques de détection de contours.

L'objectif du stage est donc d'explorer et de développer des approches d'intelligence artificielle inspirées de la vision par ordinateur (détection de formes sur images) pour fusionner plusieurs champs océanographiques et générer des contours réalistes de tourbillons. Une meilleure caractérisation de ces contours contribuera ensuite à la reconstruction 3D des tourbillons et à une meilleure compréhension de leur dynamique.

Le stage sera donc consacré à développer et tester des méthodes de machine learning/deep learning (réseaux de neurones convolutionnels, méthodes multivariées, architectures inspirées de la segmentation d'images) pour améliorer la détection des tourbillons sur plusieurs champs océanographiques. Actuellement, aucune méthode n'est appliquée. L'entraînement de la chaîne d'apprentissage se fera dans un premier temps sur une zone spatio-temporelle réduite afin d'évaluer la qualité de la méthode. La validation se fera en comparant les contours générés avec ceux issus des méthodes actuelles grâce aux outils de diagnostics et comparaison d'atlas de tourbillons développés dans le py-eddy-tracker. Selon les résultats obtenus, une généralisation globale pourra être évaluée et mise en place.

Durée du stage: 6 mois

Stage rémunéré

En dernière année d'école d'ingénieur ou de master 2 (spécialisation IA/Data Science/Machine Learning…), vous souhaitez développer vos compétences en intelligence artificielle.

Une bonne maîtrise de l'anglais, de python et des bibliothèques d'IA (pytorch, pytorch lightning…) est requise.

L'ouverture d'esprit, l'aisance relationnelle, la flexibilité, l'autonomie et l'esprit d'analyse sont attendus

Accès au restaurant d'entreprise et au CSE