Les modèles climatiques sont -ils capables de bien reproduire les aléas climatiques observés? utilisation du machine learning et de la fouille données afin d’y répondre

Contexte et atouts du poste

Le présent stage s’inscrit dans le projet DAIRY-FIT. Ce projet propose de produire des connaissances nouvelles permettant d’accompagner la transition agro-écologique des élevages laitiers bretons dans un contexte de changement climatique. Le projet prévoit de simuler l’évolution de la production fourragère et du stockage de carbone par les surfaces cultivées d’exploitations laitières. Pour ce faire, le modèle de simulation des cultures utilisé dans le projet doit être renseigné avec 4 climats futurs contrastés, simulés par différents modèles climatiques. La capacité de ces modèles à représenter le climat moyen observé a été vérifiée. En revanche leur capacité à représenter le climat passé observé en termes d’aléas comme les sécheresses (occurrence, fréquence, intensité) n’a pas encore été caractérisée. C’est un enjeu majeur pour la communauté des scientifiques travaillant sur le changement climatique.

Mission confiée

Le stage proposé a donc pour objectif d’évaluer la capacité de modèles climatiques à simuler l’occurrence, l'enchaînement et l’intensité d’années typiques rencontrées dans les dernières décennies.

Le climat (observé ou simulé) du projet est disponible pour les régions Bretagne et Pays de la Loire et pour des périodes de 30 ans. Dans un premier temps, le.la stagiaire aura pour mission d'appliquer des techniques de clustering et de réduction de dimensionnalité sur le climat observé. La nature spatio-temporelle des données climatiques nécessitera d’adapter les techniques de clustering classique, afin d'identifier des profils d’années avec des signatures climatiques bien distinctes. Pour effectuer ce clustering, le.la stagiaire pourra s'appuyer sur un ensemble d’indicateurs climatiques calculés en amont du stage. Dans un deuxième temps, le.la stagiaire devra utiliser des techniques de fouille de données pour décrire ces profils d’années de façon concise. Enfin, il.elle devra comparer les profils d’année identifiés pour catégoriser le climat observé aux profils d’années identifiés pour catégoriser le climat futur simulé et utilisé dans le projet. L’objectif sera de comparer la signature climatique de ces deux types de profils afin d’estimer le biais des modèles climatiques dans les études des impacts des aléas climatiques sur le secteur agricole. Enfin, le.la stagiaire participera activement à l’interprétation, à l’analyse critique, et à la synthèse des résultats produits. Il.elle participera aussi aux recherches bibliographiques dans le domaine et à la rédaction d’un mémoire de stage.

Ce stage offre une bonne expérience de prise en main et de formation à l’utilisation et au développement de méthodes de machine learning et fouille de données, dans un contexte interdisciplinaire. C’est aussi une bonne opportunité d’être impliqué dans un projet abordant la problématique du changement climatique en lien avec l’élevage laitier.

Principales activités

1. Adapter des techniques de clustering et co-clustering sur un ensemble d'observations climatiques spatio-temporelles pendant plusieurs années afin de trouver des profils climatiques
2. Appliquer des techniques de réduction de dimensionalité et fouille de données pour visualiser et caracteriser (exm : décrire) les profiles climatiques trouvés
3. Évaluer la capacité de modèles climatiques à préserver ces profils climatiques en comparant les profils obtenus sur les données observées avec les profils trouvés dans les prédictions climatiques de ces modèles.

Compétences

4. Intérêt pour les questions d’application de méthodes de machine learning et de fouille de données à des thématiques environnementales
5. Sensibilité au contexte agricole
6. Maîtrise de Python
7. Cursus ingénieur ou Master 2 : Formation en maths/informatique ou agronomie avec appétence pour l’informatique

Avantages

8. Restauration subventionnée
9. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
10. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
11. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)

Rémunération

Gratification