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 :

 

 

Débruitage des courants océaniques par deep learning

Contexte

 

La circulation océanique joue un rôle majeur dans le système climatique en redistribuant la chaleur, le carbone et de nombreuses propriétés biogéochimiques à l'échelle globale. Une estimation précise des courants océaniques est également essentielle pour de nombreuses applications opérationnelles, telles que le suivi des pollutions marines ou de la dérive d'objets en mer.

L'approche géodésique permet d'estimer à l'échelle mondiale les courants géostrophiques de surface à partir des observations satellitaires du niveau de la mer et du champ de gravité terrestre. Elle fournit notamment la topographie dynamique moyenne (Mean Dynamic Topography, MDT), référence fondamentale pour l'étude de la circulation océanique [1]. Cependant, les champs de MDT et de courants géostrophiques issus de cette approche présentent un niveau élevé de bruit aux petites échelles spatiales (inférieures à environ 150 km). Ce bruit, souvent qualifié de « peau d'orange », limite la capacité à représenter correctement les structures océaniques fines et nécessite l'application de méthodes de filtrage. Une carte de courant bruitée est visible sur la Figure 1.

 

Figure 1 - courants océaniques obtenus par méthode géodésique, avant débruitage

Aujourd'hui, le débruitage repose essentiellement sur une combinaison de filtrage spatial et d'intégration d'observations in situ (drifters, flotteurs Argo, radars HF, etc.). Bien que performante, cette approche dépend fortement de la disponibilité de mesures in situ, dont la couverture reste très hétérogène selon les régions océaniques.

Dans ce contexte, Gibbs et al. (2023) [2] ont proposé une approche innovante basée sur l'apprentissage profond. Leur méthode utilise un premier réseau de neurones pour reproduire les caractéristiques statistiques du bruit géodésique, puis un second réseau chargé de reconstruire le signal océanique sous-jacent. Les premiers résultats montrent qu'une telle approche permet de réduire significativement le bruit tout en préservant les structures dynamiques océaniques, ouvrant ainsi des perspectives prometteuses pour les futures générations de produits altimétriques.

 

Références:

[1] Jousset, S., Mulet, S., Greiner, E., Wilkin, J., Vidar, L., Chafik, L., ... & Dibarboure, G. (2025). New global mean dynamic topography CNES-CLS-22 combining drifters, hydrography profiles and high frequency radar data. Earth System Science Data Discussions, 2025, 1-32.

[2] Gibbs, L., Bingham, R. J., & Paiement, A. (2023). A novel filtering method for geodetically determined ocean surface currents using deep learning. Environmental Data Science, 2, e44.

 

Tes missions si tu nous rejoins :

L’apprentissage profond peut-il permettre de conserver les fines échelles des courants océaniques aujourd’hui masquées par le bruit géodésique, tout en préservant les structures physiques réelles de l’océan ?

Ce stage vise à répondre à cette question en s’appuyant sur les travaux de Gibbs et al. [1] et en explorant de nouvelles approches d’apprentissage profond pour le débruitage de la MDT.

Le stage sera réalisé en collaboration avec l’Université de Bristol (School of Geographical Sciences) et l’Université de Toulon (LIS, CNRS).

L’objectif principal est d’évaluer, d’améliorer et de développer des méthodes d’apprentissage profond dédiées au débruitage de la MDT et des courants géostrophiques.

Le ou la stagiaire sera amené(e) à :

• prendre en main, adapter et tester des algorithmes de deep learning développés dans les travaux précédents ;
• évaluer leurs performances dans différents contextes océaniques ;
• analyser l’impact du débruitage sur la représentation de structures dynamiques telles que les grands courants de bord, les tourbillons ou les fronts océaniques ;
• proposer et développer des améliorations méthodologiques afin d’accroître la robustesse, la capacité de généralisation et l’applicabilité de ces approches à l’échelle globale ;
• étudier le potentiel de ces méthodes pour les futures générations de produits globaux de MDT et de courants géostrophiques.

 

L’environnement technique que nous utilisons :

-         Python, Jupyter notebook

-         VSCode

-         SLURM

 

 

Étudiant(e) en dernière année d'école d'ingénieur ou en Master 2 en intelligence artificielle, science des données, mathématiques appliquées, informatique, physique, océanographie ou discipline connexe.

Compétences requises :

-          solide maîtrise de Python ;

-          bonnes connaissances en apprentissage automatique et en apprentissage profond ;

-          expérience pratique du développement, de l'entraînement et de l'évaluation de réseaux de neurones ;

-          maîtrise d'au moins un framework de deep learning (PyTorch ou TensorFlow) ;

-          expérience des bibliothèques scientifiques de Python (NumPy, SciPy, xarray, scikit-learn, etc.) ;

-          capacité à analyser, visualiser et interpréter des jeux de données complexes ;

-          bonne maîtrise de l'anglais écrit et oral.

-         Goût du travail en équipe.

-         Curiosité, rigueur, autonomie.

-         Ouverture d’esprit, aisance relationnelle, flexibilité, esprit d’analyse.

Des connaissances en océanographie seraient un plus. Nous recherchons une personne curieuse, rigoureuse et autonome, ayant un fort intérêt pour les applications de l'intelligence artificielle aux sciences de l'environnement et capable d'évoluer dans un contexte de recherche collaboratif international.