Alternance - Chargé(e) développement de corrections de biais d’état de mer par machine learning[...]

CLS Group (Collecte Localisation Satellite); Ramonville-Saint-Agne; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une entreprise innovante recherche un(e) Alternant(e) Chargé(e) de développement de corrections de biais d’état de mer. Le candidat travaillera sur des projets de machine learning pour améliorer les systèmes d’altimétrie spatiale. Des défis stimulants et une équipe dynamique l'attendent.

Prestations

6 semaines de congés payés

Restaurant d’entreprise

Politique d’entreprise en faveur de la diversité

CSE attractif

Package régime de Santé Mutuelle

Parking à vélo et borne de recharge

Qualifications

• Étudiant(e) en école d'ingénieur ou Master 2 scientifique, mathématique, statistiques.
• Organisé(e), rigoureux(se) dans la gestion des données et documentation.

Responsabilités

• Développer une méthode d’estimation de modèle de SSB basée sur des réseaux de neurones.
• Réaliser une bibliographie sur les méthodes d’estimation par réseau de neurones.
• Comparer les performances des solutions développées.

Connaissances

Python

Statistiques

Modélisation

Océanographie

Formation

École d'ingénieur

Master 2 scientifique

Outils

Linux

Description du poste

Alternance - Chargé(e) développement de corrections de biais d’état de mer par machine learning pour les altimètres de nouvelle génération - H/F

Alternance Ramonville-Saint-Agne 17.04.2025

Au cœur des enjeux de la planète, CLS, Tech4Good company, 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.

Opérateur historique des balises Argos, CLS, depuis 1986, avec plus de 1 000 salariés dans 35 sites dans le monde et un chiffre d’affaires annuel de près de 180 millions d’euros, figure parmi les spécialistes des services satellitaires en utilisant les technologies spatiales les plus avancées, couplées au génie logiciel et à la data-sciences.

Tu veux intégrer une équipe agile et dynamique ? Travailler sur des projets innovants et relever des défis technologiques ? Explorer de nouvelles solutions et évoluer sur des missions variées dans nos 5 secteurs d’activité ?

Chez CLS, c’est possible !

La Business Unit Programmes d'Observation de la Terre de CLS, acteur clé dans la croissance du groupe, recherche un(e) Alternant(e) Chargé(e) développement de corrections de biais d’état de mer par machine learning pour les altimètres de nouvelle génération, pour contribuer au développement de ses systèmes et services.

A propos du poste

L’altimétrie spatiale a été conçue et développée depuis le début des années 1970 pour mesurer la hauteur dynamique de l’océan et sa variabilité à l’échelle globale des bassins océaniques. L’altimètre est un radar qui estime avec une précision centimétrique la hauteur de la mer ou SSH pour «Sea Surface Height» à partir du temps aller-retour de l’onde radar émise. Cette estimation doit être corrigée de plusieurs perturbations environnementales et notamment celle liée à l’état de la mer (présence des vagues, forçage par le vent, …). Les creux des vagues étant de meilleurs réflecteurs du signal radar que les crêtes, cette mesure est légèrement biaisée vers le creux des vagues. Ce biais, appelé biais d’état de mer ou SSB pour ‘Sea State Bias’, est aujourd’hui corrigé dans la mesure altimétrique à partir de modèles développés empiriquement et qui sont fonction de trois paramètres: la hauteur des vagues, leur période moyenne et du vent de surface. Ces modèles obtenus par régression non-paramétrique utilisent une méthode d’estimation par noyau.

Ces modèles, développés pour les altimètres conventionnels, présentent aujourd’hui des limitations d’applicabilité pour faire face aux défis posés par les deux derniers concepts d’altimètre qui ont été déployés récemment (altimétrie Doppler et altimétrie SAR interférométrique à fauchée).

L’altimétrie Doppler utilise l’information Doppler le long de la trace pour réduire la taille de la tache radar au sol par rapport à l’altimétrie conventionnelle. L’amélioration des performances de mesures altimétriques apportées par cette technique a été largement démontrée et fait aujourd’hui l’unanimité dans la communauté scientifique. Ce nouveau concept a été implémenté en premier lieu sur le satellite CryoSat-2 (lancé en 2010) et tend depuis à être utilisé sur toutes les nouvelles missions altimétriques (Sentinel-3C/D, Sentinel-6B, CRISTAL, Sentinel-3NG, Sentinel-6NG ...). L’autre concept constitue une réelle rupture pour l’altimétrie spatiale et est matérialisé par l’instrument SWOT lancé en septembre 2022. En effet, le principe de mesure utilisé – imagerie SAR et interférométrie – est radicalement différent de celui des altimètres nadir. Ce principe permet d’associer une fauchée à une excellente résolution planimétrique (décamétrique sur les eaux continentales).

A ce jour, bien que ces missions permettent d’obtenir des mesures de bien meilleure qualité (précision de la mesure et résolution spatiale) que celles obtenues avec les missions conventionnelles, les traitements respectifs de ces mesures ne sont pas optimisés. La fine résolution spatiale permise par ces nouveaux radars et la précision altimétrique très élevée demandée par les scientifiques nous obligent à décrire plus finement encore le biais d’état de mer en améliorant la description des conditions d’état de la mer au moment de la mesure. Or les modèles de SSB basés sur la méthode d’estimation par noyau deviennent très complexes à mettre en œuvre lorsque les dimensions sont supérieures à 3.

En rejoignant la Cellule Système Altimétrique, tes missions seront :

• Analyser/ développer une méthode alternative d’estimation de modèle de SSB de 2 à 5 dimensions basée sur des réseaux de neurones, à leur maquettage et à la comparaison des performances de ces nouveaux modèles avec celles du modèle utilisé actuellement dans la chaine opérationnelle,
• Réaliser une bibliographie sur les méthodes d’estimation par réseau de neurones,
• Maquetter cette approche,
• Comparer les performances des solutions développées avec celles du modèle déployé dans la chaine opérationnelle,
• Exposer de manière claire les principaux résultats.

A propos du profil recherché

Tu es étudiant(e) en école d'ingénieur ou Master 2 scientifique, mathématique, statistiques ?

Tes atouts :

• Tu es attiré(e) par les travaux pluridisciplinaires mêlant statistiques, modélisation et océanographie.
• Tu maîtrises Python et tu es à l’aise dans un environnement Linux.
• Tu es organisé(e), rigoureux(se) dans la gestion des données, la documentation de ton code et la rédaction de rapports d’analyse.
• Curieux(se), créatif(ve) et dynamique, tu t’intéresses aux nouvelles technologies.
• Tu aimes échanger, partager tes idées et travailler en équipe.

Ce qui t’attend :

Des défis stimulants au sein de nos équipes pour optimiser nos systèmes et les rendre toujours plus performants !

Si tu as l’esprit d’équipe et l’envie de relever de nouveaux challenges, rejoins nous dès maintenant et participe à l’aventure CLS !

Le process de recrutement :

• Marine te contactera pour un premier échange.
• Entretien avec ton futur tuteur ou ta future tutrice.
• Entretien RH avec Marine pour finaliser.

Avantages salariaux

- 6 semaines de congés payés
- Restaurant d’entreprise
- Politique d’entreprise en faveur de la diversité, de l'égalité professionnelle et de l'emploi des travailleurs handicapés
- CSE attractif (sport, participation voyages, etc…)
- Package régime de Santé Mutuelle et Prévoyance très favorable (participation employeur élevée)
- Parking à vélo et borne de recharge véhicules électriques