Ingénieur d'Études pour l'Amélioration de la Simulation du Leaf Area Index Lai par Apprentissage Automatique - Implémentation dans le Modèle de Surface Orchidee H/F - CNRS

Description du Poste Les Missions La mission associée à ce poste consiste à améliorer la simulation du Leaf Area Index (LAI) dans le modèle de surface ORCHIDEE en utilisant des techniques d'apprentissage automatique (ML). L'ingénieur(e) contribuera au développement d'un nouveau modèle de LAI basé sur des données satellitaires (GEOV2) et des approches ML, évaluera sa performance par rapport aux observations indépendantes (réseau Phenocam), et participera à l'intégration de ce nouveau modèle dans ORCHIDEE pour remplacer le modèle process-based actuel qui présente des limitations significatives pour les écosystèmes tropicaux et semi-arides. L'impact de cette nouvelle paramétrisation sur les flux de carbone, d'eau et d'énergie simulés par ORCHIDEE sera également évalué. L'Activité Les activités principales de ce poste incluent : L'amélioration du modèle ML de LAI : Contribuer au développement et à l'amélioration de la version existante du modèle de LAI basé sur l'apprentissage automatique PhenoNN (https://github.com/kardaneh/PhenoNN), en optimisant les architectures (LSTM, GRU, Transformer) et en affinant les stratégies d'entraînement avec les données satellitaires GEOV2. L'évaluation et validation : Évaluer la performance du modèle ML de LAI en utilisant des données de validation indépendantes, notamment celles du réseau Phenocam (séries temporelles de phénologie), en analysant les métriques de qualité (RMSE, R², biais) et la fidélité des cycles saisonniers. L'intégration dans ORCHIDEE : Participer à l'adaptation du code du modèle ML (Python/PyTorch) en vue de son couplage avec le modèle ORCHIDEE (écrit en FORTRAN90), en remplaçant le module process-based actuel de LAI par la nouvelle version ML. L'intégration sera réalisée à l'aide de la bibliothèque FTorch (https://github.com/cambridge-ICCS/FTorch), qui permet d'appeler directement des modèles PyTorch depuis Fortran. Assurer la compatibilité, la stabilité et les performances du modèle couplé. L'évaluation de l'impact : Réaliser des simulations ORCHIDEE avec l'ancien et le nouveau module LAI pour quantifier l'impact sur les flux de carbone, d'eau et d'énergie. Analyser les améliorations dans les régions tropicales et semi-arides. La documentation : Documenter les développements réalisés (code, architecture, paramètres) et les résultats obtenus sous forme de rapports techniques et de publications scientifiques. Votre Profil Compétences Formation : Master (Bac +5) ou diplôme d'ingénieur en Sciences de l'Environnement, Biologie Végétale, Sciences du Climat, Informatique, ou domaine connexe.Compétences Techniques Requises : Apprentissage automatique : Connaissance solide des techniques de ML (réseaux de neurones, LSTM, Transformers) et expérience pratique avec des frameworks tels que PyTorch. Programmation : Maîtrise de Python pour le développement scientifique (numpy, pandas, xarray) et compétences en FORTRAN90 pour l'intégration dans ORCHIDEE. Une expérience avec FTorch ou des bibliothèques similaires est un atout majeur. Sciences de l'environnement : Connaissance du fonctionnement des écosystèmes, de la phénologie végétale, et des cycles biogéochimiques (carbone, eau). Traitement de données : Expérience dans le traitement de données satellitaires (indices de végétation, LAI) et de séries temporelles.Atouts Majeurs : Expérience avec les modèles de surface (ORCHIDEE, CLM, JULES) ou les modèles de végétation. Connaissance des produits satellitaires (GEOV2, MODIS, Sentinel) et des réseaux d'observation (Phenocam, FLUXNET). Expérience en calcul haute performance (HPC) et environnements Linux. Une expérience ou une connaissance de la librairie FTorch sera considérée comme un atout significatif.Qualités Personnelles : Autonomie et capacité à mener un projet de recherche de manière indépendante. Rigueur scientifique et souci de la validation des résultats. Bonnes compétences rédactionnelles en anglais pour la documentation technique et les publications. Esprit d'équipe et capacité à collaborer avec une équipe pluridisciplinaire (modélisateurs, écologues, spécialistes ML). Capacité d'adaptation pour travailler sur une base de code existante complexe (ORCHIDEE). Votre Environnement de Travail Le poste est basé au LSCE/IPSL (Laboratoire des Sciences du Climat et de l'Environnement / Institut Pierre-Simon Laplace). L'IPSL est un institut de renommée mondiale, reconnu pour ses recherches de pointe en sciences du climat, de l'environnement et des systèmes terrestres à travers la modélisation.Les conditions de travail incluent une possibilité de télétravail partiel, un accès à des équipements informatiques de haute performance, et des formations professionnelles CNRS. Le salaire est basé sur l'expérience du candidat et la grille salariale du CNRS. Des avantages sociaux du CNRS, incluant l'assurance santé, les plans de retraite, ainsi que des subventions pour le transport public et les repas, sont également offerts. Contraintes et risques Risques lié au travail sur écran Rémunération et avantages Rémunération entre 2 571,89€ et 3 817,32 bruts mensuels selon expérience Congés et RTT annuels 44 jours Pratique et Indemnisation du TT Pratique et indemnisation du TT Transport Prise en charge à 75% du coût et forfait mobilité durable jusqu'à 300€ À propos de l'offre Référence de l'offre UAR636-MARCAS-014 Secteur d'activité Informatique, Statistiques et Calcul scientifique Emploi type Ingenieur en ingenierie logicielle (H/F) À propos du CNRS Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d'associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement. Le CNRS Les métiers de la recherche

• Gestion des données
• Python
• Programmation
• Anglais
• Calcul haute performance
• Autonomie
• Machine learning
• Compétences rédactionnelles
• Capacité d’adaptation