CLS, filiale du CNES  et de la CNP, est une société à mission internationale, pionnière dans la fourniture de solutions d'observation et de surveillance de la Terre depuis 1986.

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

Opérateur historique des balises Argos, CLS, avec plus de 1200 collaborateurs dans le monde, sur près de 41 sites dans 20 pays et un chiffre d’affaires annuel de près de 220 millions d’euros en 2025, figure parmi les spécialistes des services satellitaires en utilisant les technologies spatiales les plus avancées, couplées au génie logiciel et à la data-sciences.

L’entreprise œuvre dans 5 secteurs d’activités stratégiques :

• la gestion durable des pêches,
• la surveillance environnementale et le climat,
• la sécurité maritime,
• la mobilité,
• les énergies et infrastructures.

L’entreprise fournit notamment des services satellitaires basés sur :

• la localisation et la collecte de données environnementales (200 000 balises sont traitées chaque mois, bouées dérivantes, balises équipant des animaux, flottes de pêche ou encore de commerce, etc.),
• l’observation des océans et des eaux continentales (plus de 20 instruments, embarqués à bord de satellites, livrent quotidiennement des informations à CLS sur les mers et les océans du globe),
• et la surveillance des activités terrestres et maritimes (près de 20 000 images radar et optique et plusieurs centaines d’heures de vol effectuées par des drones sont traitées et analysées chaque année).

 

L’équipe Data Fusion & In Situ de la BU ENVIRONNEMENT de CLS, recherche un(e) stagiaire pour évoluer et développer ses compétences autour du sujet suivant :

Améliorer la représentation des courants océaniques de surface par l’optimisation du mélange turbulent vertical.

En dépit des progrès des observations et des modèles, les courants de surface océanique n'ont pas atteint la même précision que la température. Pourtant, le besoin en précision est important (sécurité en mer, pollution…).  Même si les défauts sont connus (incertitudes du forçage atmosphérique ou défaut de fermeture turbulente par exemple), les observations sont insuffisantes pour caractériser les lacunes qui concernent surtout l'est des gyres tropicaux et l'équateur. 

Le stage propose d'aborder le problème d'une manière alternative en se concentrant sur la diffusivité verticale plutôt que sur les courants eux-mêmes. La diffusivité verticale K_z caractérise l’intensité du mélange turbulent vertical dans l’océan, qui contrôle les échanges de chaleur, de sel, de nutriments et d’autres propriétés entre les différentes couches océaniques. Concrètement, la turbulence verticale contrôle la façon dont la quantité de mouvement apportée notamment par le vent est redistribuée en profondeur. Si K_z est légèrement trop fort, trop faible, ou présente une mauvaise structure verticale, cela peut modifier la profondeur de la couche mélangée (couche supérieure de l’océan qui est relativement homogène et en interaction directe avec l’atmosphère) et donc l’intensité et la direction des courants de surface.

L’idée sous-jacente retenue ici est donc que les erreurs de représentation des courants vient d'un subtil défaut de la turbulence verticale près de la surface.

 

 

Tes missions si tu nous rejoins :

Les observations directes de courants étant rares et peu représentatives, le travail consistera à comparer le K_z provenant de solutions différentes issues de méthodes empiriques (GLOBCURRENT 1/8°[1]), de modèles océaniques (GLORYS12v1 1/12°[2], GLO36v1 1/36°) et d’une solution existante basée sur une approche en machine learning.  La première étape sera de caractériser les régions et les périodes où l'incertitude du K_z est grande. 

 

Ensuite, en utilisant un modèle existant à une dimension de la composante d’Ekman des courants (SCM1D) conjointement avec des bouées dérivantes, on cherchera par diverses méthodes (PSO=Particle Swarm Optimization ou CMA-ES=Covariance Matrix Adaptation Evolution Strategy) à identifier les paramètres sensibles comme le couplage entre le vent et le courant ou les formules aérodynamiques (bulk). Enfin, on pourra également introduire la hauteur significative des vagues pour améliorer la paramétrisation du K_z en surface. Une solution optimisée de K_z vis-à-vis des courants simulés par le SCM1D nous aiderait à pointer les défauts de paramétrisation qui impactent les courants de surface.

Le cœur du stage reposera donc essentiellement sur l’océanographie physique, l’analyse de données, l’optimisation de l’estimation de paramètres.

 

 

En dernière année d’école d’ingénieur ou de master 2, vous souhaitez développer vos compétences en océanographie physique, analyse des données et intelligence artificielle. Une bonne maîtrise de l’anglais, de python et des bibliothèques d’analyse scientifique (numpy, scipy, (scikit-learn, LightGBM)…) ainsi que des connaissances en analyse de données, statistiques et mathématiques appliquées sont requises.  

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

Tu aimes les challenges, tu as l’esprit d’équipe, alors, demain avec l’ensemble des équipes de CLS, nous rendrons nos systèmes plus efficients et utilisés par le plus grand nombre, viens rejoindre l’aventure !