Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Lab-STICC/Eodyn
Durée : 36 mois
Contact : ronan.fablet@telecom-bretagne.eu
Date limite de publication : 2019-07-01

Contexte :
Le trafic maritime est en constant essor et la concentration de bateau en transit dans certains endroits du globe permet aujourd’hui une qualification voire une quantification précise des phénomènes géophysiques tels que les courants océanographiques, le vent ou encore les vagues. Ce lien entre le trafic des bateaux et la géophysique n’est pas récent et l’existence même du Gulf Stream a été découverte par B. Franklin en examinant les carnets de bord des bateaux contenant des informations sur leur dérive. Cette analyse détaillée des carnets de bord bien qu’elle ait perduré est depuis lors tombée aux oubliettes face à l’essor des altimètres satellitaires capable de détecter les variations de hauteur des océans et d’en déduire certains des principaux courants océaniques.

Sujet :
Dans ce contexte, la société Eodyn utilise aujourd’hui de manière systématique les messages AIS (Automatic Identification System) et détourne astucieusement leur fonction première de surveillance et de sécurité en remettant au goût du jour les techniques du traitement de la navigation à l’estime. La précision de localisation des navires et la densité du trafic qu’offre les flux de données AIS confère un nouvel horizon à cette technique. La nature même des données AIS non vouée à l’obtention de signaux géophysiques ne rend néanmoins pas immédiat le calcul des courants, vagues et vent et une approche de type « deep learning » et plus spécifiquement des modèles récurrents et des formulations probabilistes à variables latentes paraissent très prometteurs pour les applications considérées.

Mots clés ​​: trafic maritime, AIS, navigation à l’estime, modélisation statistique, deep learning, réseaux de neurones récurrents, modèles à variables latentes

Profil du candidat :
Master ou ingénieur en mathématiques appliquées science des données et/ou traitement du signal avec un intérêt pour le domaine de l’observation de la terre et/ou de l’océanographie.

Formation et compétences requises :
Compétences souhaitées en Python
Des connaissances sur les modèles et frameworks de deep learning (eg, tensorflow, keras, pytorch) seraient un plus.

Adresse d’emploi :
IMT Atlantique, technopôle Brest-Iroise, Brest

Document attaché : Sujet_de_these_eodynE280A8.pdf