Stage en machine learning pour la prédiction décennale des sécheresses

Avec 40 000 collaborateurs présents sur les cinq continents, SUEZ est un leader mondial dans la gestion intelligente et durable des ressources. Le Groupe fournit des solutions de gestion de l'eau et des déchets qui permettent aux villes et aux industries d'optimiser la gestion de leurs ressources et d'améliorer leurs performances environnementale et économique. Depuis plus de 160 ans, l'innovation constitue un pilier essentiel de l'identité et de la performance de SUEZ. Au sein de l'Innovation, nous concevons et déployons des solutions concrètes pour accompagner les grandes transitions environnementales et sociétales. Notre ambition : faire de l'innovation un levier stratégique au service de nos clients et des territoires, en favorisant une approche collaborative. Rassemblant 250 collaborateurs et un écosystème actif de partenaires et de start-up, l'Innovation SUEZ développe des technologies et des modèles durables pour construire un avenir plus sobre, plus résilient et plus responsable. Machine Learning pour la prédiction décennale des sécheresses et tensions sur la ressource en eau à partir de modes climatiques. Le stage est proposé par SUEZ, le LyRE, Centre d'Innovation et d'Expertise de SUEZ. Le LyRE est composé d'une cinquantaine d'ingénieurs et chercheurs, répartis en 5 pôles d'expertises : Data, Réseaux, Environnement, Recyclage & Valorisation des déchets et Acteurs & Usages. Le pôle Data a pour mission de valoriser les données pour aider tous les métiers de SUEZ. Composé d'une équipe de 12 personnes, le pôle Data porte une expertise en data science qui couvre les domaines de la modélisation data et du prototypage de solutions digitales. Contexte et Objectif: La ressource en eau est fortement impactée par le changement climatique. Pour anticiper les risques de sécheresse, des informations sur le climat futur sont essentielles. Cependant, les projections de précipitations en France pour le siècle à venir restent très incertaines. A plus court terme, les prévisions décennales du climat pourraient offrir des informations plus fiables. Elles ne permettent pas de prédire directement les précipitations en France, mais d'estimer l'évolution de certains modes climatiques. Il s'agit de structures spatio-temporelles récurrentes (ex : NAO, WEPA, AMV) qui influencent le climat en France. Ces modes, mesurés par des différences de pression atmosphérique ou des températures océaniques, sont une source clé de prévisibilité pour estimer le climat de la prochaine décennie. Au Lyre, une thèse en cours développe une méthode complexe pour générer des données climatiques journalières à partir de prévisions décennales de certains modes climatiques. Ces prévisions journalières sont ensuite utilisées dans des modèles hydrologiques pour estimer des indicateurs de sécheresse pluriannuels à décennaux. L'objectif de ce stage est d'explorer une approche alternative : prédire directement les indicateurs de sécheresse à partir des modes climatiques, en utilisant des méthodes de Machine Learning. Cette approche pourrait simplifier les modèles actuels tout en améliorant leur robustesse, malgré les défis posés par la petite taille des données historiques (1966-2023).