Analyse de données spatio-temporelles et Machine Learning pour la cartographie de polluants à partir de réseaux de capteurs

CRAN un laboratoire de recherche fondamentale et appliquée commun à l’Université de Lorraine et au CNRS. Il est rattaché principalement à CNRS Sciences informatiques et à titre secondaire à CNRS Biologie. Il fait partie du pôle scientifique Automatique, Mathématiques, Informatique et leurs Interactions (AM2I) de l’Université de Lorraine. Il accueille également des chercheurs de l’Institut de Cancérologie de Lorraine (ICL), du CHRU de Nancy, du CHR de Metz-Thionville.

Contexte
La caractérisation des expositions professionnelles aux polluants nécessite de comprendre comment leurs concentrations évoluent à la fois dans l’espace et dans le temps. Les réseaux de capteurs et les instruments de mesure en temps réel permettent aujourd’hui de recueillir de grandes quantités de données sur l’évolution des polluants dans les environnements de travail. Leur exploitation pose des questions d’analyse de données, de traitement du signal et de modélisation spatio-temporelle : reconstruction de champs de pollution, prédiction, fusion de données hétérogènes et visualisation. Dans les travaux menés conjointement par l’INRS et le CRAN, différentes approches ont déjà été étudiées (Krigeage, interpolation par modèles tensoriels, réseaux de neurones informés par la physique – PINNs). Elles ont permis de produire des cartographies spatio-temporelles et de les combiner avec des données issues d’un scanner 3D et d’un système de géolocalisation intérieure UWB. Une importante base de données expérimentales est disponible et de nouvelles acquisitions en entreprise doivent permettre de poursuivre et valider ces développements.

Objectif et contenu du stage
Le stage se situe à l’interface entre analyse de données / Machine Learning, traitement du signal et instrumentation. Le travail pourra notamment porter sur les axes suivants :
•    prétraitement et exploration de données expérimentales multicapteurs : synchronisation, nettoyage, visualisation et analyse statistique des mesures ;
•    étude et comparaison de différentes méthodes de modélisation et d’interpolation spatio-temporelles ;
•    utilisation de méthodes issues du Machine Learning pour la reconstruction ou la prédiction de champs de pollution ;
•    comparaison avec les approches déjà développées dans les travaux précédents : Krigeage, modèles tensoriels, réseaux de neurones et modèles informés par la physique ;
•    évaluation quantitative des modèles à partir de données expérimentales ;
•    fusion de données multimodales provenant de différentes sources : concentrations de polluants, géolocalisation UWB, scanner 3D et description de l’environnement ;
•    représentation et visualisation des résultats sous forme de cartographies spatio-temporelles dynamiques.

Une partie du stage sera également consacrée à l’exploitation de nouvelles données acquises lors du déploiement de réseaux de capteurs en entreprise, permettant de confronter les méthodes développées à des conditions réelles.

Le ou la stagiaire travaillera ainsi sur l’ensemble de la chaîne, depuis les données issues des instruments de mesure jusqu’aux modèles d’analyse et à leur interprétation. Le stage sera réalisé en interaction avec les chercheurs du CRAN et de l’INRS, notamment les équipes impliquées dans l’acquisition des données et le développement des systèmes de mesure.
 

Profil recherché

Étudiant(e) en Master 2 ou dernière année d’école d’ingénieurs, avec un intérêt pour une ou plusieurs des thématiques suivantes :

Data Science et analyse de données ;

Machine Learning ;

traitement du signal ou de l’image ;

modélisation statistique ;

systèmes de capteurs et instrumentation.

Compétences appréciées

programmation scientifique en Python et/ou Matlab ;

manipulation et visualisation de données ;

connaissances de base en Machine Learning ;

intérêt pour les données expérimentales et les problématiques concrètes ;

autonomie, curiosité scientifique et capacité à travailler en équipe ;

capacité à lire de la documentation scientifique en anglais.

Une expertise préalable dans l’ensemble de ces domaines n’est pas nécessaire. Le sujet peut convenir aussi bien à un profil orienté Data Science / Machine Learning souhaitant travailler sur des données physiques réelles qu’à un profil signal / instrumentation souhaitant approfondir les méthodes modernes d’analyse de données.