Alternance -Deep Learning pour la reconstruction des courants océaniques de surface - H/F

Description

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) . Les 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

• 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).

Missions complémentaires

• 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.