Chercheur à Météo-France (CNRM) en intelligence artificielle pour la prévision numérique du temps – descente d’échelle F/H
METEO FRANCE
Retrouvez-nous en ligne : https://meteofrance.com/carte-didentite-de-meteo-france
Rejoindre Météo France, c'est intégrer une organisation multi-sites, situés en hexagone, en Outre-mer, etc. L'organisation de Météo-France s'appuie sur des directions centrales et des directions interrégionales.
Le travail se déroulera au sein du Groupe de Modélisation et d’Assimilation pour la Prévision du Centre National de Recherches Météorologiques (Météo-France et CNRS) à Toulouse (France). Le projet collaboratif DE_376 est piloté par Met Norway and MeteoSwiss, et la·le chercheur·e devra participer à des visio-conférences régulières et à des conférences à l’étranger. Il·elle travaillera en collaboration étroite avec certains partenaires.
La·le chercheur·e bénéficiera des infrastructures informatiques de Météo-France et du CNRM. Les principales allocations de calcul GPU seront fournies par EuroHPC.
Pourquoi nous rejoindre ?
Embarquez pour une aventure stimulante et au service de tous aux côtés d’hommes et de femmes engagés quotidiennement face aux défis posés à notre société par la météo et le climat. Et ainsi bénéficiez des avantages suivants : horaires flexibles, RTT, télétravail, restaurant administratif ou ticket restaurant, participation à hauteur de 75% pour les transports en commun, participation pour la mutuelle, associations sportives et culturelles en fonction du site concerné, (escalade, gym, poterie, théâtre etc..).
D'autres avantages vous attendent, venez les découvrir !
Ce poste s’inscrit dans le cadre de l’appel d’offres « DE_376 » du projet Destination Earth (DestinE). DestinE est une initiative de la Commission européenne dans le cadre du programme « Digital Europe » de l'UE, en partenariat avec l'ESA et EUMETSAT. DestinE vise à déployer plusieurs répliques numériques thématiques de la Terre d'une grande précision, appelées « jumeaux numériques ». Ces jumeaux numériques permettront de surveiller et de prévoir les changements environnementaux et les impacts humains, afin d'élaborer et de tester des scénarios en soutien du développement durable et des politiques européennes associées pour le Green Deal. L’Intelligence Artificielle (IA) et notamment l’apprentissage machine et l’apprentissage profond sont importants pour DestinE à plusieurs titres. En particulier, ces approches seront utilisées dans DE_376 pour développer et livrer un modèle de prévision météorologique régional probabiliste, open source et prêt à l'exploitation, pouvant être rapidement déployé sur des domaines régionaux couvrant l'Europe et les régions d’intérêt pour l'Europe. Ce système complètera la composante régionale basée sur la physique du jumeau numérique DestinE dédié à la prévision de phénomènes extrêmes d'origine météorologique, en fournissant des prévisions d'ensemble rapides et flexibles, et dont les incertitudes sont efficacement quantifiées. en permettant une quantification efficace de l'incertitude. De plus, il intègrera des composantes supplémentaires du système Terre autres que l’atmosphère, afin de prendre en compte les interactions avec les surfaces terrestres, les vagues et l’océan de surface.
La plupart des systèmes actuels de prévision météorologique opérationnelle s'appuient sur des approches de modélisation fondées sur la physique, et les modèles de prévision numérique du temps sont utilisés pour déterminer les conditions atmosphériques des prochaines heures et des prochains jours. Dans le cadre du projet DE_376, le nouveau système proposé sera développé sur la base des modèles européens existants de prévision par IA, et fournira des prévisions probabilistes à l'échelle du kilomètre, avec une résolution temporelle horaire, et un horizon de prévision d'au moins cinq jours. Ce système de prévision sera complété par une fonctionnalité de descente d’échelle qui permettra d’atteindre des résolutions hectométrique sur demande, dans une région d’intérêt comme une zone urbaine ou montagneuse avec une topographie complexe. Tous les développements seront effectués dans le cadre open-source Anemoi (https://www.ecmwf.int/en/about/media-centre/news/2024/anemoi-new-framework-weather-forecasting-based-machine-learning).
L’objet Du Poste Est D’utiliser Et D’adapter Un Modèle De Diffusion Disponible Au Sein D’Anemoi Pour Doter Le Nouveau Système De Prévision D’une Capacité De Descente D’échelle, Afin D’augmenter La Résolution Horizontale Des Prévisions Pour Une Sélection De Quelques Variables-clés Et De Générer Des Ensembles Cohérents De Membres De Prévision à L’échelle Hectométrique, Via Un Processus De Débruitage Conditionné à Partir De L’état Atmosphérique Initial. Les Principales Missions Du Chercheur Seront Les Suivantes
- constituer un jeu de données pour l’entraînement du modèle de descente d’échelle. Ce jeu de données sera extrait d’un ensemble de plus de 3000 prévisions pré-opérationnelles à 500 m de résolution sur l’Europe de l’ouest. Une évaluation approfondie de ce jeu de données sera nécessaire afin de sélectionner les événements à enjeu (par exemple, des pluies ou températures de surface extrêmes) pour l’entraînement et l’inférence ;
- développer un cadre logiciel ouvert permettant d'exploiter (entraînement et inférence) le système de prévision incluant les vagues, dans le cadre d'Anemoi, et en étroite collaboration avec les autres partenaires du projet et le CEPMMT ;
- démontrer les performances et la qualité du modèle de descente d’échelle et de génération de membres, sur la base du jeu de données utilisé ;
- documenter son travail afin de permettre aux utilisateurs de comprendre les résultats ;
- contribuer aux rapports et livrables du projet.
Poste ouvert aux personnes en situation de handicap
Date limite de candidature : 20/07/2026
Merci De Transmettre
- Un CV détaillant son expérience et ses capacités techniques
- Une lettre de motivation expliquant son intérêt pour le poste
- Les lettres de recommandation sont appréciées
Seules les candidatures de chercheur·e·s disposant d’un doctorat en intelligence artificielle seront prises en compte. La·le candidat·e idéal·e devra avoir les qualifications suivantes :
- De solides connaissances en algorithmes d’apprentissage profond. Une expérience en modèles de diffusion serait appréciée ;
- Une expérience dans le domaine de la géophysique serait un atout ; au minimum, un intérêt marqué pour la recherche appliquée en physique de l’atmosphère ;
- Une maîtrise de la programmation en Python et une bonne connaissance du cadre de travail Anemoi sont vivement recommandées ;
- Une expérience dans le traitement de grands volumes de données ;
- Une expérience de travail dans un environnement Linux ;
- Des aptitudes pour le travail scientifique, la rédaction et la communication orale en anglais ;
- De la curiosité scientifique, de l’autonomie et de la rigueur dans l’interprétation des résultats.