H/F Doctorant en sciences de la Terre et de l'environnement -Apprentissage automatique pour la gestion

Sujet de thèse :
Cette thèse s’inscrit dans le cadre du projet INTEGRATOR, financé par le programme HORIZON EUROPE. Le projet regroupe des partenaires de plusieurs pays européens : la Turquie, l’Allemagne, la Norvège, les Pays-Bas, l’Estonie, la Lettonie, l’Italie, l’Espagne, la Grèce, la Belgique et la France. L’objectif général d’INTEGRATOR est de renforcer la gestion équitable et résiliente de l’eau en Europe face au changement climatique, en permettant une prise de décision anticipative et fondée sur les données à l’échelle des bassins versants, dans un contexte d’évolution des conditions climatiques et socio-économiques. INTEGRATOR vise à développer un Digital Water Intelligence System (DWIS) intégrant des jumeaux numériques spécifiques aux sites avec des facteurs climatiques et socio-économiques, des systèmes de prévision opérationnelle ainsi que des outils techniques, de gouvernance et de financement co-conçus dans le cadre de l’approche Decision Theatre.
Cette thèse aura pour objectif de produire, à l’échelle des bassins versants, des indicateurs dérivés de l’observation de la Terre (OT) pour plusieurs bassins de démonstration en Europe, en s’appuyant sur l’intégration de données d’OT à haute résolution et de techniques avancées d’extraction et d’analyse de l’information textuelle (text mining) afin de caractériser les dynamiques biophysiques et hydrologiques pertinentes pour la résilience des ressources en eau.
La stratégie de suivi combinera plusieurs dimensions d’évaluation : biogéophysique, hydrologique et socio-environnementale, afin de contribuer aux systèmes d’alerte précoce, au diagnostic des pressions et à la mise en œuvre d’une gestion adaptative de l’eau. Des constellations satellitaires multi-capteurs seront utilisées pour caractériser les processus de surface, la dynamique de la végétation et les états hydrologiques dans les systèmes fluviaux et, lorsque cela est pertinent, dans les systèmes côtiers.
L’état de la végétation sera caractérisé à partir de paramètres biogéophysiques avancés (par exemple, GPP/NPP, indice de surface foliaire – LAI, biomasse aérienne) dérivés des missions Sentinel-1/2/3, BIOMASS et des futures missions LSTM. Les variables hydrologiques seront suivies à partir de données d’observation de la Terre optiques pour déterminer l’étendue des surfaces en eau, d’observations micro-ondes actives et passives (Sentinel-1, SMOS, HydroGNSS) pour l’estimation de l’humidité des sols, ainsi que de l’altimétrie satellitaire (Sentinel-3, SWOT) pour le suivi des niveaux d’eau des lacs et des rivières.
En parallèle, les signaux socio-environnementaux associés aux événements hydrologiques extrêmes et aux pressions exercées sur les ressources en eau seront extraits à l’aide de techniques de traitement automatique du langage naturel (Natural Language Processing – NLP) et d’analyse de textes (text mining), à partir de rapports, de documents réglementaires et de politiques pu
Voir plus sur le site emploi.cnrs.fr...