Chercheur spécialiste en machine learning pour la descente d'échelle par émulateur de modèle de clilmat régionaux F/H
Role details
Job location
Tech stack
Job description
Expert public de la météo et du climat, Météo-France est à vos côtés pour contribuer à votre sécurité au quotidien et vous aider à prendre les meilleures décisions, dans un climat qui change. Face à des épisodes météo dangereux encore plus intenses et plus fréquents sous l'effet du changement climatique, nos missions au service de votre sécurité sont cruciales. Nous mobilisons notre expertise, notre excellence scientifique et technologique pour vous permettre d'anticiper les phénomènes météorologiques et climatiques à enjeux, et de vous y adapter., Le programme est organisé en 10 projets ciblés et un projet de gouvernance, et sera complété par des projets en réponse à des appels d'offres. Il est doté de 51 millions d'euros sur 10 ans. Il est co-piloté par le CNRS et Météo-France, avec 7 autres partenaires académiques. Les activités du projet de gouvernance et des projets ciblés seront principalement menées en région parisienne (laboratoires de l'Institut Pierre-Simon Laplace (IPSL)), à Toulouse (CNRM et autres entités de Météo-France, CERFACS) et à Grenoble (Institut des Géosciences de l'Environnement (IGE)).
Le poste proposé s'inscrit dans le projet TRACCS-PC10-LOCALISING (https://pepr-traccs.fr/projet/pc10-localising/), dont l'objectif est d'explorer et de définir la meilleure façon de fournir des informations climatiques locales à la fois précises et fiables en soutien aux stratégies d'adaptation. Pour cela, LOCALISING élabore des modèles des systèmes climatiques locaux, multi-composantes et entièrement couplés, vise une représentation du climat à l'échelle du kilomètre et de l'heure, et combine au mieux les modèles dynamiques et les approches statistiques pour caractériser l'incertitude à l'échelle locale. Plusieurs défis techniques et scientifiques devront être surmontés pour atteindre les objectifs ambitieux du projet :
(1) augmenter la résolution des modèles climatiques et résoudre les goulets d'étranglement qui en découlent,
(2) développer les modèles pour représenter les processus et rétroactions locales nouveaux à ces hautes résolutions,
(3) étudier les processus physiques, chimiques et biogéochimiques clés à l'échelle locale pour une meilleure compréhension des phénomènes climatiques, en particulier les extrêmes pertinents pour la société,
(4) tirer parti des techniques émergentes d'apprentissage machine pour quantifier l'incertitude à moindre coût, en développant de nouvelles techniques de descente d'échelle statistiques et hybrides,
(5) assurer la cohérence des informations climatiques tout au long de la chaîne de modélisation, depuis les modèles climatiques globaux jusqu'aux données climatiques à échelle fine,
(6) assurer la transportabilité des méthodes développées partout dans le monde et soutenir une grande diversité d'utilisateurs.
La Direction de l'Enseignement Supérieur et de la Recherche rassemble les entités de recherche de Météo-France (principalement CNRM, SAFIRE, LACy), l'Ecole Nationale de la Météorologie, et les services partagés de soutien administratif et informatique (PGA)., Embarquez pour une aventure stimulante et au service de tous aux côtés d'hommes et de femmes engagés quotidiennement face aux défis posés à notre société par la météo et le climat. Et ainsi bénéficiez des avantages suivants : horaires flexibles, RTT, télétravail, restaurant administratif ou ticket restaurant, participation à hauteur de 75% pour les transports en commun, participation pour la mutuelle, associations sportives et culturelles en fonction du site concerné, (escalade, gym, poterie, théâtre etc..)., Dans les dernières années, grâce aux développements des méthodes récentes d'apprentissage statistique, les émulateurs de modèles de climat régionaux (Regional Climate Model en anglais, RCM) sont apparus comme une solution prometteuse pour produire efficacement des simulations régionales et ainsi correctement étudier les impacts du changement climatique aux échelles locales. L'objectif principal consiste à apprendre une relation de descente d'échelle entre une description « grande échelle » de la situation météorologique à grande échelle (basse résolution, moyenne/haute atmosphère) et une ou des variables de surface à haute résolution (celle du RCM). Une fois estimée, cette fonction de descente d'échelle peut-être appliquée à n'importe quelle simulation provenant d'un modèle global à basse résolution afin de produire une simulation à haute résolution. De grands ensembles peuvent ainsi être crées afin d'étudier le changement climatique local en tenant compte des différences sources d'incertitudes inhérentes aux projections climatiques. Une première version d'un émulateur de RCM a été développé et utilisée au CNRM (Doury et al, 2023, 2024). C'est un émulateur du modèle régional de climat ALADIN, pour les températures et précipitations quotidiennes à la résolution de 12km.
Objectifs
Dans le cadre du projet LOCALISING du programme TRACCS, il est prévu de poursuivre les développements de l'émulateur du CNRM. En effet, de nombreux verrous restent à lever pour avoir un outil capable de conserver au maximum les caractéristiques d'un modèle de climat haute résolution tout en gardant un coût de calcul minimum. Les émulateurs de RCM ouvrent la porte à de nouvelles possibilités pour évaluer les impacts du changement climatique localement grâce aux très grands ensembles qu'il est possible de produire. L'analyse de ces ensembles posent ainsi de nouvelles questions.
Requirements
Connaissances générales
- La personne recrutée devra posséder une thèse de doctorat dans un des domaines suivants : mathématiques appliquées, sciences environnementales, informatique.
- Une expérience en machine learning est requise, ainsi qu'une bonne compréhension des concepts statistiques de base, et une expérience d'utilisation de réseaux de neurones serait un avantage. Une expérience plus spécifique concernant l'étude du climat, du changement climatique et/ou des modèles climatiques serait aussi appréciée.
Compétences techniques
- Excellente maîtrise de python
- Maitrise des outils de developpement de réseaux de neurones (Keras, pytorch)
- Maîtrise des outils de gestion des codes sources (e.g. git)
- Maîtrise de l'environnement Unix
- Connaissance des outils manipulant les fichiers au format NetCDF (nco, cdo…)
Savoir-faire
- Autonomie et sens de l'organisation
- Rigueur dans le développement et les analyses scientifiques
- Motivation et curiosité scientifique
- Anglais parlé et écrit niveau B2 minimum
Savoir-être :
- Bon relationnel et sens du travail en équipe : vous travaillerez dans un environnement collaboratif, contribuant à une équipe large avec une expertise diversifiée
- Travail en réseau : vous ferez partie de la communauté TRACCS et contribuerez à son développement et sa dynamique
- Disponibilité et réactivité
- Bienveillance dans les relations professionnelles
