Machine learning pour la prédiction décennale des sécheresses et tensions sur la ressource en eau

VOTRE MISSION Machine Learning pour la prédiction décennale des sécheresses et tensions sur la ressource en eau à partir de modes climatiques

Le stage est proposé par SUEZ, le LyRE, Centre d’Innovation et d’Expertise de SUEZ. Le LyRE est composé
d’une cinquantaine d’ingénieurs et chercheurs, répartis en 5 pôles d’expertises : Data, Réseaux,
Environnement, Recyclage & Valorisation des déchets et Acteurs & Usages.
Le pôle Data a pour mission de valoriser les données pour aider tous les métiers de SUEZ. Composé d’une
équipe de 12 personnes, le pôle Data porte une expertise en data science qui couvre les domaines de la
modélisation data et du prototypage de solutions digitales.

Contexte et Objectif
La ressource en eau est fortement impactée par le changement climatique. Pour anticiper les risques de
sécheresse, des informations sur le climat futur sont essentielles. Cependant, les projections de précipitations en France pour le siècle à venir restent très incertaines.
A plus court terme, les prévisions décennales du climat pourraient offrir des informations plus fiables. Elles ne permettent pas de prédire directement les précipitations en France, mais d’estimer l’évolution de certains modes climatiques. Il s’agit de structures spatio-temporelles récurrentes (ex : NAO, WEPA, AMV) qui influencent le climat en France. Ces modes, mesurés par des différences de pression atmosphérique ou des températures océaniques, sont une source clé de prévisibilité pour estimer le climat de la prochaine décennie.
Au Lyre, une thèse en cours développe une méthode complexe pour générer des données climatiques
journalières à partir de prévisions décennales de certains modes climatiques. Ces prévisions journalières sont ensuite utilisées dans des modèles hydrologiques pour estimer des indicateurs de sécheresse pluriannuels à décennaux.
L’objectif de ce stage est d’explorer une approche alternative : prédire directement les indicateurs de
sécheresse à partir des modes climatiques, en utilisant des méthodes de Machine Learning. Cette approche pourrait simplifier les modèles actuels tout en améliorant leur robustesse, malgré les défis posés par la petite taille des données historiques (1966-2023).


Mission du stagiaire• Analyser les données :
o Se saisir des travaux existants sur la prévision des modes climatiques
o Etudier la variabilité pluriannuelle à décennale des indicateurs de sécheresse
• Développer un modèle de Machine Learning :
o Identifier les variables climatiques pertinentes pour la prédiction
Concevoir et entraîner un ou plusieurs modèles pour prédire les indicateurs de sécheresse
• Evaluer et comparer :
o Mesurer les performances du modèle et les comparer à l’approche actuelle

VOTRE PROFIL

Profils recherchés
• Formation : 2ème année de Master ou dernière année d’école d’ingénieur en Science des données,
IA, Mathématiques Appliquées.
Compétences techniques :
o Maitrise de Python
o Expérience avec les séries temporelles et la manipulation de données
o Solides connaissances en statistiques et modélisation mathématique
Atouts :
o Intérêt pour les enjeux climatiques ou l’hydrologie
o Connaissances en climatologie (un plus)
Qualités: Capacité à apprendre et à partager son savoir-faire, organisation, rigueur et autonomie ;
capacité d’analyse ; sensibilité au développement durable et notamment aux enjeux liés à l’eau.

Suez préserve l’équilibre entre vie professionnelle et privée, ce poste est ouvert au télétravail.

BU: Differenciation Unit - InnovationCATEGORY: Workers and Technician Workers