Stage Ingénieur : Synergie entre mesures multi-capteurs et algorithmes d'intelligence artificie[...]

Groupe CLS; Toulouse; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une entreprise spécialisée en télédétection recherche un(e) stagiaire en science des données pour utiliser des techniques d'IA sur des données altimétriques. Le candidat idéal est un étudiant en Master 2 ayant de solides compétences en Python et en modélisation IA. Une connaissance du domaine spatial est un plus. Ce stage se déroulera à Toulouse et met l’accent sur l’expérimentation et l'autonomie.

Qualifications

• Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur.
• Bonnes compétences en Python et modélisation IA.
• Connaissance du domaine spatial ou altimétrique appréciée.

Responsabilités

• Utiliser des mesures de différents capteurs pour un indicateur de présence de glace.
• Pré-entraînement d’un modèle IA supervisé.
• Valider le modèle sur des données non assimilées.

Connaissances

Python

Modélisation IA

Rigueur

Autonomie

Formation

Master 2 en science des données, intelligence artificielle, traitement du signal ou géosciences

Outils

PyTorch

TensorFlow

scikit-learn

Description du poste

Description

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 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.