Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : Centre National de Recherche Météorologique (CNRM)
Durée : 6 mois
Contact : laure.raynaud@meteo.fr
Date limite de publication : 2022-12-15
Contexte :
Les prévisions météorologiques de fine échelle opérées quotidiennement par Météo-France sur les domaines Outre-Mer s’appuient sur le modèle AROME et ont vu leur résolution spatiale augmenter de 2.5km à 1.3km à l’été 2022. Cette évolution a permis d’améliorer la performance des prévisions, en particulier pour les évènements à enjeux tels que les cyclones tropicaux et les fortes pluies. Des résolutions hectométriques permettraient de gagner encore en réalisme, en particulier sur l’île de la Réunion dont le relief est complexe. Néanmoins, le coût des prévisions AROME à des résolutions de quelques centaines de mètres ne permet pas d’envisager leur utilisation opérationnelle avant plusieurs années. L’objectif du stage est de mettre en place et d’évaluer une alternative moins coûteuse à cette descente d’échelle dynamique.
Sujet :
Le stage vise à mettre en place et évaluer plusieurs méthodes de descente d’échelle statistique, dont l’objectif est d’apprendre une relation statistique entre les prévisions basse résolution (par exemple 2.5km ou 1.3km) et les prévisions haute résolution (par exemple 500m). Les méthodes de descente d’échelle les plus classiques reposent sur des interpolations simples ou des approches de régression linéaire. Récemment, plusieurs études ont montré que des méthodes d’apprentissage profond tels que les réseaux de neurones convolutifs offrent des perspectives intéressantes pour la descente d’échelle.
L’objectif du travail proposé est de développer une première descente d’échelle à 500m des prévisions AROME sur la Réunion, par apprentissage profond, et pour des variables de temps sensible telles que la température, le vent et les précipitations.
Profil du candidat :
M2/Ecole d’ingénieurs.
Formation et compétences requises :
Le stage requiert un réel intérêt pour la prévision numérique du temps. De bonnes compétences en statistiques sont attendues. Le langage de programmation utilisé sera Python. Une connaissance préalable du fonctionnement des réseaux de neurones profonds (en particulier des réseaux convolutifs) est souhaitée. Une première expérience d’une bibliothèque de Deep Learning (PyTorch, Keras, TensorFlow, Caffe, …) serait un plus.
Adresse d’emploi :
CNRM, 42 avenue Gaspard Coriolis, Toulouse.
Document attaché : 202210061430_Fiche-proposition-PFE_IENM_IA500m_Madics.pdf