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

Développement de méthodes de machine learning pour combiner les biais multi- modèles dans les études de détection et d'attribution d'extrêmes climatiques, H/F

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

Date Limite Candidature : mercredi 29 septembre 2021

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-003
Lieu de travail : GIF SUR YVETTE
Date de publication : mercredi 8 septembre 2021
Nom du responsable scientifique : Naveau Philippe
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 novembre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Les modèles de climat utilisés par les expériences CMIP pour le GIEC sont en général validés sur les événements moyens et les fluctuations typiques, et des biais sont ainsi déterminés. Le but de ce projet sera de mettre en place un cadre nouveau pour l'évaluation des biais modèles pour l'étude spécifique des événements extrêmes. Nous développerons un cadre théorique pour combiner les mérites relatifs des différents modèles en fonction de leur capacité à reproduire des extrêmes spécifiques: températures caniculaires et précipitations extrêmes. Les méthodes de la théorie de la statistique des valeurs extrêmes et de la physique statistique seront au cœur de notre analyse et seront coupler à des techniques de machine learning dédiés à l'agrégation des biais et d'incertitudes. Une fois le cadre conceptuel posé, les données des expériences CMIP seront analysées en détails. Les algorithmes développés pourront être utiles à d'autres types d'analyses de risque.

Contexte de travail

Les équipes impliquées dans ce projet ont de fortes expertises en statistiques (e.g. valeurs extrêmes, analyse de séries temporelles (LSCE, INSU), mécanique statistique (ENS de Lyon, INP), dynamique atmosphérique (e.g. circulation à grande échelle) (LSCE, INSU et ENS de Lyon, INP), systèmes dynamiques (LSCE, INSU et ENS de Lyon, INP), modélisation du climat (LSCE, INSU et ENS de Lyon, INP), processus stochastiques (ENS de Lyon, INP), lien avec les applications météorologiques (LSCE, INSU).

On en parle sur Twitter !