Alternance -Deep Learning pour la reconstruction des courants océaniques de surface - H/F
L'entreprise
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).
Le poste
CLS développe des méthodes avancées pour reconstruire des courants océaniques de surface à haute résolution temporelle à partir de données multi‑sources (satellites, modèles numériques, observations in situ).
Des travaux récents ont permis de mettre en place une première approche Deep Learning sur une zone régionale. L’objectif de cette alternance est de poursuivre et améliorer cette méthode, en particulier en étudiant sa robustesse et sa capacité de généralisation vers d’autres régions océaniques aux dynamiques variées, telles que l’Atlantique Nord et les zones équatoriales.
Objectifs de l’alternance
L’alternant(e) contribuera à :
- Améliorer les architectures Deep Learning existantes pour la reconstruction spatio‑temporelle des courants de surface,
- Renforcer la capacité de généralisation spatiale des modèles entre différentes régions océaniques,
- Analyser les limites et performances de la méthode selon les régimes dynamiques,
- Proposer des améliorations méthodologiques et des indicateurs de qualité adaptés.
Missions principales
- Prise en main des données d’entrée (champs océaniques, vents, observations in situ) et des chaînes de traitement existantes.
- Amélioration des architectures Deep Learning (modèles spatio‑temporels, mécanismes d’attention, fusion de données multi‑sources).
- Extension de la méthode à plusieurs zones océaniques (régionale → Atlantique Nord → zones équatoriales).
- Analyse de la transférabilité des modèles entre régions et comparaison des performances.
- Mise en place de stratégies d’apprentissage adaptées (modèles régionaux vs multi‑régions).
- Validation des résultats à l’aide d’observations in situ et diagnostics physiques.
- Analyse critique des résultats et contribution à leur valorisation (rapports, présentations internes).
Dans le cadre de vos fonctions, vos missions principales consisteront à :
- Mener une étude bibliographique de découverte sur l’océanographie générale et spatiale, les différentes composantes des courants océaniques et leurs interactions.
- Se former sur les observations qui fournissent une information sur les courants océaniques (bouées dérivantes, radars HF, altimétrie).
- Améliorer les produits existants en intégrant de nouvelles observations de référence ou de nouvelles méthodologies.
- Faire l’analyse critique des résultats.
- Contribuer à la valorisation des résultats à travers des publications scientifiques.
Profil recherché
- Étudiant(e) en école d’ingénieur ou Master (data science, mathématiques appliquées, océanographie, spatial).
- Bon niveau en Python et bases solides en Deep Learning.
- Intérêt marqué pour l’analyse de données géophysiques et l’océanographie.
- Capacité à travailler de façon autonome et analytique.
- Bon niveau d’anglais technique.
Nous souhaitons intégrer à nos équipes des alternants enthousiastes, passionnés et curieux prêts à s’investir au quotidien.
L’ouverture d’esprit, l’aisance relationnelle, la flexibilité, l’autonomie et l’esprit d’analyse sont attendus.
Si pour vous l’esprit d’équipe est primordial, que vous êtes force de proposition, et que votre motivation est sans faille, alors n’hésitez plus, et rejoignez-nous !
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