Stage - chargé détection de perte de drogue des bouées dérivantes: apport du machine learning

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…)

A propos du profil recherché

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

Avantages salariaux

Restaurant d’entreprise vs ticket resto
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…)
Parking à vélo et borne de recharge véhicules électriques