Emplois, stages, thèses, post-doc

Retrouvez ici les offres d'emploi du satellitaire en Bretagne. Pour diffuser ici votre offre, envoyez votre demande à info@bretel.eu

IMT Atlantique - Deep learning & Space Oceanography [thèse]

 

End-to-end learning of geophysically-sound CNN representations from satellite-derived observation datasets to better inform sea surface dynamics

 

CONTRACTPh.D.

DURATION36 months

WORKING TIMEFull-time

EXPERIENCEEntry Level

EDUCATION LEVELMaster’s Degree, MA/MS/MSc

 

Contexte

Les technologies, modèles et stratégies d'intelligence artificielle (IA) ouvrent de nouveaux paradigmes pour la modélisation, simulation, prévision et reconstruction de systèmes complexes, y compris les dynamiques océan-atmosphère-climat. En raison notamment de l'échantillonnage spatio-temporel irrégulier des données d'observation de la terre (que ce soit des observations spatiales ou in situ), la plupart des stratégies d'IA envisagées reposent sur un apprentissage à partir de données de simulation, ce qui peut limiter leur application pour des processus/échelles qui restent mal résolus actuellement (e.g., sous mésoéchelle, extrêmes...).

Mission

L'objectif général de ce projet de thèse est de développer de nouveaux modèles et algorithmes d’IA permettant d’exploiter pleinement lors des phases d’apprentissage les masses de données d’observation disponibles avec pour enjeu spécifique l’observation des dynamiques océaniques aux petites échelles par la mission SWOT (Surface Water and Ocean Topography). D’un point de vue méthodologique, en nous basant sur des CNNs (Convolutional Neural Nnetwork), nous proposons de formuler ce défi comme un apprentissage conjoint “end-to-end” d'une représentation dite latente des processus géophysiques considérés et du schéma d'inversion. Dans le contexte de la mission SWOT, ce cadre méthodologique permettra d’aborder deux questions thématiques concernant (i) la capacité à apprendre de nouvelles représentations des processus géophysiques à partir de données d’observation, (ii) la capacité à informer les dynamiques océaniques passées et futures à partir de snapshots haute-résolution de ces dynamiques.  Cette thèse sera mise en œuvre dans le cadre du projet Melody (ANR MN 2020-2022) avec de fortes interactions entre Lab-STICC (R. Fablet), LOPS (B. Chapron), IGE/MEOM (J. Le Sommer), OceanNext (S. Leroux) et OceanDataLab (L. Gaultier). Elle exploitera et contribuera aux études de cas liées à SWOT dans Melody, par exemple la séparation onde-courant, les produits SLA L4 dérivés de SWOT. Au-delà d’expériences numériques de type OSSE (Observing System Simulation Experiment), la thèse analysera les données réelles acquises lors de la phase initiale dite de “fast sampling” de la mission SWOT.

Candidature

Pour postuler, nous vous invitons

  • à contacter le Directeur de thèse Ronan Fablet (IMT Atlantique) :  Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

  • à compléter avec lui la partie co-financement du formulaire avant le 31/03/20

Profil recherché

Master et/ou diplôme d'ingénieur en science des données, traitement du signal et/ou mathématiques appliquées avec un intérêt marqué pour les sciences de l'environnement, si possible motivé par des activités ou expériences antérieures.
Une double compétence en sciences de la terre et en sciences des données, tel que promu par master Ocean Data Science d'Isblue, serait très pertinente.

En plus d'un solide bagage théorique, des compétences en informatique, y compris une première expérience de l'utilisation de cadres d'apprentissage profonds de pointe (p. ex., tensorflow, pytorch) et d'environnement de programmation (p. ex., python, git server), seront souhaitées.

 

Retrouvez l'offre en ligne sur le site du Cnes

 

© 2020 BreTel