Stage - Chargé détection de perte de drogue des bouées dérivantes: apport du machine learning - H/FCLS GROUP

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 900 salariés dans 30 pays et un chiffre d'affaires annuel de près de 170 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 souhaites rejoindre des équipes agiles et dynamiques sur des projets innovants et ambitieux ? Explorer de nouvelles technologies ? Evoluer sur des projets transverses et variés autour des 5 secteurs d'activité de CLS ?

L'équipe Observations In-situ de la BU Environnement & Climat de CLS, recherche un(e) stagiaire pour évoluer et développer ses compétences autour du sujet suivant :

« Détection de perte de drogue des bouées dérivantes: apport du machine learning »

Dans le cadre de ses activités CMEMS, l'équipe In-Situ et composite est amenée à utiliser et à traiter des données de vitesses de courant calculées à partir de positions de bouées dérivantes du Surface Velocity Program (SVP, Lumpkin et al ; 2019, Elipot et al ; 2016).

Ces bouées dérivantes sont conçues pour être entrainées par le courant à 15m grâce à une "ancre- flottante" attachée sous la bouée. Lorsque cette ancre se détache, le flotteur est entrainé par le courant de surface mais aussi directement par le vent. Il est donc nécessaire de détecter cette perte de drogue pour comprendre à quelle physique est soumise la bouée.

Par ailleurs, le projet TRUSTED (Towards Fiducial Reference Measurements of Sea-Surface Temperature by European Drifters), piloté par CLS et financé par le programme Copernicus de l'Union européenne, a déployé plus de 200 bouées dérivantes afin d'améliorer la validation de la température de surface de la mer (SST) fournie par les radiomètres de SST. Ces bouées sont aussi droguées et possèdent un capteur de pression hydrostatique fournissant une donnée complémentaire attenante à la perte de drogue. Il est donc intéressant d'analyser les données fournies par ces bouées afin de comprendre l'impact de la perte de drogue sur la qualité de la donnée ainsi que l'apport de la pression hydrostatique comme marqueur de la perte de drogue.

Basée sur l'expertise de la NOAA (National Oceanic and Atmospheric Administration) et de l'AOML (Atlantic Oceanographic and Meteorological Laboratory, Lumpkin et al, 2013 ), CLS veut développer un algorithme de détection de perte de drogue qui pourra être appliqué sur des données en temps différé et adapté au temps réel.

En plus de ces méthodes basées sur l'instrumentation des bouées, des diagnostiques basés sur la corrélation au vent (Rio, 2012, Mulet et al ; 2020), des méthodes de convolution (testées dans le cadre du projet ESA WOC basées sur les travaux de Lilly and Elipot, 2021) et des méthodes de Machine Learning seront testées pour évaluer le comportement des bouées par rapport aux conditions environnantes (conditions atmosphériques, température, bathymétrie etc…)

Tes missions si tu nous rejoins :

- Détecter la perte de drogue pour comprendre à quelle physique est soumise la bouée.

- Analyser les données fournies par les bouées afin de comprendre l'impact de la perte de drogue sur la qualité de la donnée ainsi que l'apport de la pression hydrostatique comme marqueur de la perte de drogue.

- Participer au développement d'un algorithme de détection de perte de drogue qui pourra être appliqué sur des données en temps différé et adapté au temps réel.

- Tester des méthodes de Machine Learning pour évaluer le comportement des bouées par rapport aux conditions environnantes (conditions atmosphériques, température, bathymétrie etc…)

Etudiant(e) en dernière année d'école d'ingénieur ou de master 2 informatique, tu souhaites développer tes compétences et tes connaissances en machine learning.

L'ouverture d'esprit, l'aisance relationnelle, la flexibilité, l'autonomie, la curiosité et l'esprit d'analyse sont attendus.

Tu aimes les challenges, tu as l'esprit d'équipe, alors, demain avec l'ensemble des équipes de CLS, nous rendrons nos systèmes plus efficients et utilisés par le plus grand nombre, viens rejoindre l'aventure !

Référence :

Elipot, S., R. Lumpkin, R. C. Perez, J. M. Lilly, J. J. Early, and A. M. Sykulski, 2016: A global surface drifter data set at hourly resolution, J. Geophys. Res. Oceans, 121, 2937-2966, doi:10.1002/ 2016JC011716.

Lilly, J.M and Elipot, S.,2021: A Unifying Perspective on Transfer Function Solutions to the Unsteady Ekman Problem, Fluids, 6(2), 85, doi:10.3390/fluids6020085.

Lumpkin, R.; Centurioni, L. , 2019: Global Drifter Program quality-controlled 6-hour interpolated data from ocean surface drifting buoys. NOAA National Centers for Environmental Information. Dataset. https://doi.org/10.25921/7ntx-z961.

Lumpkin, R., S. Grodsky, M.-H. Rio, L. Centurioni, J. Carton and D. Lee, 2013: Removing spurious low-frequency variability in surface drifter velocities. J. Atmos. Oceanic Techn., 30 (2), 353-360, http://dx.doi.org/10.1175/JTECH-D-12-00139.1

Mulet, S., Rio, M.-H., Etienne, H., Artana, C., Cancet, M., Dibarboure, G., Feng, H., Husson, R., Picot, N., Provost, C., and Strub, P. T., 2021: The new CNES-CLS18 Global Mean Dynamic Topography, Ocean Sci. Discuss. [preprint], https://doi.org/10.5194/os-2020-117, in review

Rio, M-H, 2012: Use of altimeter and wind data to detect the anomalous loss of SVP-type drifter's drogue. Journal of Atmospheric and Oceanic Technology DOI:10.1175/JTECH-D-12- 00008.1