Bien que très puissants, les modèles climatiques globaux fournissent des projections climatiques à une résolution spatiale très grossière (de l’ordre de la centaine de km). Ces résolutions ne sont pas adaptées pour évaluer de manière précise les évolutions futures de la ressource solaire à des échelles beaucoup plus fines à lesquelles les décisions d’aménagement et d’investissement sont prises. Les techniques de descente d’échelle comblent cette lacune en affinant les sorties climatiques grossières vers des résolutions plus fines.

Ce stage a pour objectif d’implémenter et de comparer deux techniques de descente d’échelle dans une approche de « modèle parfait » : 

- La méthode CDFt (Cumulative Distribution Function transform) [1] : méthode statistique de type quantile-mapping qui ajuste les sorties des modèles climatiques sur la base des distributions observées.

- Vision Transformer (ViT) [2] : une architecture de deep learning basée sur les transformeurs.

Ce stage sera en collaboration avec le « Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique » (Cerfacs).

En tant que stagiaire Étude comparative des techniques de descente en échelle (downscaling) statistiques et IA  des projections climatiques pour une application dans le domaine de l’énergie solaire - H/F vos missions seront :

- Implémenter et évaluer CDFt et un modèle basé sur Vision Transformer pour la descente d’échelle des projections de température et de rayonnement solaire.

- Appliquer les deux méthodes à des régions à fort potentiel solaire.

- Évaluer les performances sur la base d’indicateurs tels que le biais, la RMSE, la corrélation et des indicateurs pertinents pour l’énergie.

- Explorer l’interprétabilité et les performances numériques de chaque méthode.

 Vous évoluerez au sein d'une équipe de professionnels confirmés et auprès d'un tuteur-coach, le référent de votre futur métier. Un accompagnement individualisé vous permettra de favoriser votre autonomie et de vous mener à votre diplôme !

Actuellement en école d'ingénieur ou en Master vous recherchez un stage de fin d'étude d’une durée de 6 mois à partir de février 2026 ?

Vous avez des connaissances en sciences du climat, en machine learning ou en mathématiques appliquées ? 

Vous maîtrisez Python, des bibliothèques TensorFlow/Pytorch ? Vous connaissez des formats de données climatiques tels que NetCDF ?

Une connaissance des techniques de descente d’échelle statistiques et/ou des architectures d’apprentissage profond constitue un atout.

Vous avez un fort intérêt pour les énergies renouvelables et l’évaluation des impact climatiques ?

Une maitrise professionnelle de l’anglais sera indispensable à votre prise de poste. Posséder une bonne capacité rédactionnelle sera un plus.

Alors n'attendez plus, postulez pour rejoindre notre équipe !

This offer is for a full-time, contractual internship; alternating internships are not possible.

To apply, please attach a CV + covering letter (your internship dates must be indicated).

Cette offre concerne un stage conventionné à temp plein, les stages alternés ne sont possibles.
 Pour postuler, merci de joindre un CV + lettre de motivation (vos dates de stage doivent être indiquées).