Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 mai 2020

Offre de Thèse: Apprentissage actif profond pour l’identification et la géolocalisation de sources de pollution atmosphérique en zone urbaine.


Catégorie : Doctorant


Thèse: Apprentissage actif profond pour l’identification et la géolocalisation de sources de pollution atmosphérique en zone urbaine.

 

Depuis quelques années, différents travaux de recherche scientifique ont démontrés que la qualité de l'air a un impact sur la santé et devient un sujet de plus en plus préoccupant à l’échelle urbaine. L’identification et la géolocalisation de sources de pollution atmosphérique est donc un enjeu important et repose sur l’utilisation d’un grand nombre de capteurs de gaz multimodaux fixes et/ou embarqués.

En recherche scientifique, l'identification de sources polluantes repose sur la résolution d'un modèle inverse complexe mal posé au regard des données observées. La dispersion de polluants est généralement surveillée par des capteurs placés dans un domaine spatialement discret et fournissent des observations temporelles. Ces observations sont ensuite utilisées pour estimer les propriétés des sources de contaminants, par exemple leurs positions, leurs débits de rejet dans l’atmosphère et les paramètres du modèle régissant la dispersion de ces contaminants (par exemple la dispersion, la topographie du site, la météorologie, etc.). Ces estimations sont essentielles pour une évaluation fiable des dangers et des risques de contamination. Dans le cas particulier de plusieurs sources de contamination (avec des positions et des débits d’émission différents), les observations représentent un mélange ou une combinaison de deux ou plusieurs polluants.

Dans ce cadre, le travail attendu consistera en la résolution d’un problème de localisation de sources polluantes en environnement de type urbain avec un réseau de capteurs fixes et/ou mobiles. En effet, à partir de données optimisées, issues de campagnes de mesures existantes, c’est-à-dire des sources identifiées et localisées dans un environnement connu, il s’agira dans un premier temps, de mettre en œuvre un modèle d’apprentissage profond avec la prise en compte de manière active des différents paramètres des capteurs. Dans un second temps, le modèle construit avec une stratégie d’apprentissage actif, sera ensuite capable d’identifier et de donner une estimation de la position des sources polluantes dans un environnement inconnu.

Profil et compétences recherchées:

De niveau Master2 recherche ou équivalent, en Intelligence Artificielle (IA) et informatique ou Mathématiques appliquées (modélisation et calculs scientifiques). La maîtrise des méthodes et des outils de traitement et analyse de base de données, des langages Python et C, sont vivement souhaités. Des connaissances de base en sciences de l’environnement atmosphérique seront également très appréciées.

Niveau d'anglais requis: Intermédiaire supérieur: Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.
 
Lieu de la thèse:
Univ. Evry, Université Paris-Saclay
IBISC, 40 rue du Pelvoux
9120 Evry Courcouronnes, cedex
 
Contact: Khalifa.Djemal@univ-evry.fr
Candidature: https://www.adum.fr/as/ed/voirproposition.pl?site=adumR&matricule_prop=31493#version
 
 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.