Machine Learning pour la prédiction décennale des sécheresses et tensions sur la ressource en eauSUEZ

Acteur majeur des services à l'environnement, SUEZ accompagne les collectivités et les industriels dans la gestion de l'eau et des déchets, avec une ambition forte : préserver les ressources et favoriser la transition écologique.

Le Groupe place l'humain au cœur de son développement et s'appuie sur une culture d'entreprise fondée sur le respect, l'esprit d'équipe et l'engagement en faveur d'une société plus durable et inclusive.

Engagé de longue date dans la lutte contre les discriminations, SUEZ promeut l'égalité des chances et veille à garantir un environnement de travail respectueux de toutes les différences, visibles ou invisibles, dont le handicap. Le Groupe applique une politique de tolérance zéro vis-à-vis de toute forme de discrimination et agit pour assurer l'équité à chaque étape du parcours professionnel.

Cet engagement se traduit également par des actions concrètes en faveur de l'inclusion, en France comme à l'international. SUEZ a notamment rejoint le réseau mondial « Entreprises et Handicap » de l'Organisation internationale du Travail, affirmant ainsi sa volonté de favoriser l'intégration et le maintien dans l'emploi des personnes en situation de handicap et de faire évoluer les pratiques à l'échelle du Groupe.

Au-delà de ses activités, SUEZ développe des initiatives d'innovation sociale pour favoriser l'insertion professionnelle des publics éloignés de l'emploi, dont les personnes en situation de handicap, contribuant ainsi à un impact positif sur les territoires.

Le stage est proposé par SUEZ, le LyRE, Centre d'Innovation et d'Expertise de SUEZ. Le LyRE est composé
d'une cinquantaine d'ingénieurs et chercheurs, répartis en 5 pôles d'expertises : Data, Réseaux,
Environnement, Recyclage & Valorisation des déchets et Acteurs & Usages.
Le pôle Data a pour mission de valoriser les données pour aider tous les métiers de SUEZ. Composé d'une
équipe de 12 personnes, le pôle Data porte une expertise en data science qui couvre les domaines de la
modélisation data et du prototypage de solutions digitales.

Contexte et Objectif
La ressource en eau est fortement impactée par le changement climatique. Pour anticiper les risques de
sécheresse, des informations sur le climat futur sont essentielles. Cependant, les projections de précipitations en France pour le siècle à venir restent très incertaines.
A plus court terme, les prévisions décennales du climat pourraient offrir des informations plus fiables. Elles ne permettent pas de prédire directement les précipitations en France, mais d'estimer l'évolution de certains modes climatiques. Il s'agit de structures spatio-temporelles récurrentes (ex : NAO, WEPA, AMV) qui influencent le climat en France. Ces modes, mesurés par des différences de pression atmosphérique ou des températures océaniques, sont une source clé de prévisibilité pour estimer le climat de la prochaine décennie.
Au Lyre, une thèse en cours développe une méthode complexe pour générer des données climatiques
journalières à partir de prévisions décennales de certains modes climatiques. Ces prévisions journalières sont ensuite utilisées dans des modèles hydrologiques pour estimer des indicateurs de sécheresse pluriannuels à décennaux.
L'objectif de ce stage est d'explorer une approche alternative : prédire directement les indicateurs de
sécheresse à partir des modes climatiques, en utilisant des méthodes de Machine Learning. Cette approche pourrait simplifier les modèles actuels tout en améliorant leur robustesse, malgré les défis posés par la petite taille des données historiques (1966-2023).

Mission du stagiaire• Analyser les données :
o Se saisir des travaux existants sur la prévision des modes climatiques
o Etudier la variabilité pluriannuelle à décennale des indicateurs de sécheresse
• Développer un modèle de Machine Learning :
o Identifier les variables climatiques pertinentes pour la prédiction
Concevoir et entraîner un ou plusieurs modèles pour prédire les indicateurs de sécheresse
• Evaluer et comparer :
o Mesurer les performances du modèle et les comparer à l'approche actuelle