Pré-analyse par Machine Learning de mesures haute fréquences dans le cadre du Projet SHERiF

Le CEREMA (Centre d’Études et d’Expertise sur les Risques, l’Environnement, la Mobilité et l’Aménagement) est un établissement public placé sous la tutelle du ministère de la Transition écologique et de la Cohésion des territoires.

Le site de Margny-lès-Compiègne, situé dans la région Hauts-de-France (département de l’Oise), fait partie des implantations territoriales du CEREMA. Il intervient principalement dans les domaines de l’aménagement du territoire, des mobilités et transports, de la gestion des infrastructures, de l’environnement, de la prévention des risques et de l’appui technique aux collectivités et services de l’État.

Le CEREMA de Margny-lès-Compiègne apporte une expertise scientifique et technique reconnue, en menant des études, des recherches appliquées et des missions d’accompagnement pour répondre aux enjeux de transition écologique, de résilience des territoires et de développement durable.

Objet du stage :

Les flux sédimentaires résultent des interactions complexes entre les facteurs climatiques, l’hydrologie et les activités humaines sur notre territoire. Comprendre ces flux et anticiper leurs évolutions dans le contexte actuel de changement global est essentiel pour une gestion durable de notre environnement.

Le calcul des flux sédimentaires dans les cours d’eau repose sur la mesure des débits et des concentrations de sédiments en suspension dans l’eau. Les concentrations sont généralement obtenues soit par des techniques de prélèvement, filtration et pesée, soit par la conversion de mesures de turbidité en concentrations de Matières En Suspension (MES). Les mesures automatisées de turbidité à haute fréquence, converties en séries chronologiques de concentration en MES sur la base de prélèvements, offrent un suivi précis des variations des flux sédimentaires en fonction des fluctuations de débits. Cependant, ces mesures acquises automatiquement peuvent présenter des anomalies devant être identifiées en amont de toute analyse. Deux types d’anomalies co-existent : des anomalies dites inhabituelles mais physiquement plausibles (liées à des événements hydrologiques ou sédimentaires rares), des anomalies d’origine métrologique (dérives instrumentales, dysfonctionnements, erreurs de transmission, etc.).

Dans le cadre du projet SHERiF financé par l’institut Carnot Clim’ADAPT, des mesures de turbidités seront réalisées en Seine et en Loire. Ce stage vise ainsi à :

1. Réaliser une revue bibliographique des différentes méthodologies de “validation” automatisées de mesures environnementales à haute fréquence (statistiques, règles expertes, machine learning, approches hybrides) (réf. : Leigh, 2019 et Rodriguez-Perez, 2020).
2. Développer un algorithme de validation automatisée des données adaptés aux spécificités du projet (à minima mesure de turbidité en environnement fluvial)
3. Appliquer cet algorithme sur des séries temporelles existantes (OSR, GIPLE, GIPSA) et comparer ces résultats à ceux obtenus par les outils existants (cf. i)
4. Intégrer l’algorithme dans la chaine de gestion des données (entre la réception et l’archivage des données)
5. Analyser, qualifier et décrire les anomalies observées, en distinguant les anomalies naturelles/non métrologiques des anomalies d’origine métrologique

Environnement et conditions de travail :

Le stage se déroulera au sein de l’équipe de recherche RHTIME de la DTecREM du CEREMA à Margny Les Compiègnes en partenariat avec les laboratoires M2C (Univ. Rouen), CITERES (Univ. Tours) et RiverLy (INRAE).

L’encadrement sera assuré par Minh-Tan VU et Jean-Philippe LEMOINE (Ingénieurs au sein du laboratoire). Des interactions régulières avec l’ensemble des participants du projet sont prévues.

Le stage est prévu pour une durée de 6 mois entre février et août 2026 avec une gratification selon le taux horaire en vigueur.

Reference :

1. Catherine Leigh, Omar Alsibai, Rob J. Hyndman, Sevvandi Kandanaarachchi, Olivia C. King, James M. McGree, Catherine Neelamraju, Jennifer Strauss, Priyanga Dilini Talagala, Ryan D.R. Turner, Kerrie Mengersen, Erin E. Peterson (2019). A framework for automated anomaly detection in high frequency water-quality data from in situ sensors. Science of The Total Environment, 664, 885-898.
2. Rodriguez-Perez J, Leigh C, Liquet B, Kermorvant C, Peterson E, Sous D, Mengersen K (2020). Detecting Technical Anomalies in High-Frequency Water-Quality Data Using Artificial Neural Networks. Environ Sci Technol, 54(21), 13719-13730.

Profil : Étudiant(e) en Master 2 ou en dernière année d’école d’ingénieur. Formation en science des données, modélisation numérique, statistiques et/ou sciences de l’environnement.

Plusieurs compétences sont souhaitées pour ce stage : (i) Maitrise de la programmation (Matlab, Python et/ou R), (ii) Connaissances en analyse de séries temporelles et/ou en machine learning, (iii) Intérêt marqué pour les problématiques hydrologiques et sédimentaires, (iv) Expérience de terrain en mesures hydrologiques et sédimentologiques.