Stage Ingénieur : Synergie entre mesures multi-capteurs et algorithmes d'intelligence artificielle pour la détection de glace sur zones hydrologiques - H/F
L'entreprise
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 1100 salariés, répartis dans 31 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.
Le poste
La télédétection est un outil précieux pour le suivi du changement climatique, en particulier pour fournir des observations sur son impact à l’échelle du globe. Une des conséquences de ce changement est la perturbation du cycle hydrologique menant à la redistribution des ressources globales en eau. L’altimétrie spatiale permet d’estimer la hauteur d’eau des lacs et rivières, qui est un indicateur des ressources en eau douce. Cependant, comme ces ressources sont principalement concentrées en hautes latitudes, l’estimation de la hauteur d’eau est impactée par la présence saisonnière de glace à la surface des lacs et des rivières. Certaines études ont montré que la précision de ces estimations étaient systématiquement dégradées en hiver dû à l’incapacité des techniques altimétriques standards à détecter distinctement les hauteurs d’eau et de glace.
L’objectif de ce stage est d’utiliser des mesures de différents capteurs associées à une approche basée sur l’intelligence artificielle (IA) pour la fourniture d’un indicateur de présence de glace sur zones hydrologiques, et donc permettre un meilleur suivi de la variation temporelle de la hauteur d’eau.
Approche technique proposée
Le travail s’articulera autour des étapes suivantes :
1. Choix et récupération des données : des mesures issues de différents capteurs seront utilisées afin de bénéficier de leur complémentarité (temps de revisite, couverture spatiale, longueur d’onde du signal, etc.). Techniques envisagées : imagerie SAR (Sentinel-1), optique (Sentinel-2), altimétries nadir (Sentinel-3/Sentinel-6) et interférométrique (SWOT)
2. Pré-entraînement d’un modèle IA supervisé : utilisation de variables géophysique clés pour chaque type de mesure sur des lacs où la présence de glace est connue pour entraîner un le modèle
3. Validation sur des données non assimilées : test du modèle sur des lacs dont la présence de glace est connue mais qui n’ont pas été utilisés dans la base de données d’entraînement
4. Application du modèle pour le projet ESA CCI lake : le modèle sera testé sur les lacs du projet ESA CCI lake, pour à terme exclure des séries temporelles de hauteur d’eau les mesures acquises sur des lacs glacés
Enjeux scientifiques et techniques
- Sélection de variables géophysiques sensibles à la présence de glace
- Choix d’une architecture IA adaptée (modèles supervisés vs non-supervisés, réseaux de neurones, autoencodeurs, etc.)
- Capacité du modèle à s’adapter au-delà des cas connus
- Application du modèle aux séries altimétriques de hauteur d’eau
Profil recherché
Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur en science des données, intelligence artificielle, traitement du signal ou géosciences.
Bonnes compétences en Python et en modélisation IA (PyTorch, TensorFlow, scikit-learn...)
Connaissance du domaine spatial ou altimétrique appréciée mais non obligatoire.
Rigueur, autonomie et goût pour l’expérimentation.
Éléments nécessaires pour postuler
Pour valider votre candidature, nous vous demandons de fournir les éléments suivants, vous devrez télécharger les pièces demandées directement lors de votre inscription.
Toute candidature incomplète ne sera pas traitée par nos services.
Document(s) :
Candidature facile