En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Couplage de l'apprentissage automatique avec la théorie des valeurs extrêmes pour analyser les événements rares liés à la dynamique des océans (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 6 novembre 2020

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR8212-PHINAV-001
Lieu de travail : GIF SUR YVETTE,GIF SUR YVETTE
Date de publication : vendredi 16 octobre 2020
Nom du responsable scientifique : Philippe Naveau
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 4 janvier 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

De part leurs amplitudes et leurs fréquences, les événements extrêmes
géophysiques ont des caractéristiques particulières. De plus, ils peuvent jouer
un rôle fondamental en termes d'impact sociétal, par exemple, risque
d'inondations majeures. Par définition, les événements extrêmes sont rares, mais
ils se produisent et les records sont faits pour être battus. En termes
d'algorithmes d'apprentissage automatique, il est difficile d'apprendre à partir
de très peu d'exemples, même dans une base de données d'apprentissage
volumineuse. De plus, la distribution de probabilité d'événements extrêmes ne
peut pas être bien capturée par des mesures basées uniquement sur des écarts par
rapport à la moyenne. Ces deux questions remettent clairement en cause le
paradigme d'apprentissage classique en ``machine learning”. Du point de vue de
l'incertitude, il existe une théorie des probabilités conçue pour modéliser le
comportement extrême, appelée théorie de la valeur extrême (EVT).

Un problème majeur pour coupler les techniques NN et EVT est la question des
métriques pour les événements rares et de la manière d'évaluer les distributions
prédictives à partir de modèles de prévision. Ces deux aspects seront étudiés en
détail lors de la thèse.



La tâche principale du doctorant sera de construire des ponts méthodologiques
entre les réseaux de neurones (NN) utilisés dans la dynamique des océans et le
EVT multivarié utilisé dans les statistiques environnementales.


Cette thèse fera partie du projet ANR-Melody dont le domaine d'application
principal est le domaine de la dynamique des océans. Cela implique que le champ
principal d'application sera le domaine de la dynamique des océans et, par
conséquent, tous les algorithmes seront testés sur des modèles simplifiés de
petite dimension (modèles de Lorenz) ou des modèles de taille intermédiaire
(équations 1D-Burgers, modèles 2D-QG, etc.).
FORMATION NIVEAU MASTER RECOMMANDÉ
Data science, statistical learning and/or geosciences (ocean dynamics)

Contexte de travail

EQUIPE d'acceuil (EstimrR): L'équipe ESTIMR du LSCE a pour objectifs principaux : la compréhension et la modélisation de la variabilité climatique et environnementale à différentes échelles spatiales – depuis les très grandes structures liées à la dynamique atmosphérique jusqu'à des phénomènes très locaux – et à différentes échelles temporelles – pour l'étude de climats passés, des processus présents et des évolutions futures. Dans ce cadre très vaste, l'une des forces de l'équipe ESTIMR repose sur l'utilisation et le développement de modèles statistiques de l'état-de-l'art adaptés aux problématiques climatiques, grâce à une interaction multidisciplinaire soutenue entre climatologie, modélisation, physique et statistiques

On en parle sur Twitter !