L'assimilation des données basée sur l'IA représente une convergence fascinante entre la météorologie traditionnelle et l'apprentissage automatique moderne, qui révolutionne la prévision météorologique de plusieurs manières convaincantes.

L'assimilation traditionnelle des données impose une charge computationnelle énorme : elle doit combiner de manière optimale des observations imparfaites (provenant des satellites, stations météo, radiosondes) avec des modèles numériques météorologiques imparfaits pour estimer l'état actuel de l'atmosphère. Ce processus implique de résoudre des problèmes inverses complexes sur des millions de variables en quasi temps réel, ce qui a historiquement nécessité des compromis informatiques importants.

L'IA transforme ce processus en apprenant directement des motifs à partir de décennies de données d'observation et de sorties de modèles. Au lieu de s'appuyer uniquement sur des équations physiques et des hypothèses statistiques, les réseaux neuronaux peuvent découvrir des relations non linéaires entre les observations et les états atmosphériques que les méthodes traditionnelles pourraient manquer. Cela est particulièrement puissant pour traiter des données rares ou bruitées, où l'IA peut interpoler intelligemment en se basant sur la dynamique atmosphérique apprise.

La prévision sous-saisonnière à saisonnière (de 2 semaines à 2 ans) représente l'un des défis les plus complexes en matière de prévision météo/climat. Les modèles numériques traditionnels peinent à combler le « fossé de prévisibilité » entre les prévisions météorologiques et les prédictions climatiques saisonnières. Avec les avancées récentes de l'IA dans la prévision météorologique à moyenne échéance, la prochaine étape pour ces méthodes est d'étendre l'horizon de prévision aux échelles sous-saisonnières à saisonnières.

Ces stages exploreront comment l'IA peut performer sur ce sujet en :

• Exploitant l'apprentissage profond pour extraire des signaux prévisibles des téléconnexions climatiques
• Développant des modèles IA pour la prévision à longue échéance
• Évaluant les modèles IA avec les outils traditionnels de vérification des prévisions météorologiques

En tant que stagiaire IA pour l'assimilation des données météo et pour la prévision météo sous-saisonnière à saisonnière H/F, vos missions seront :

• Veille
• Mise en œuvre des modèles les plus prometteurs avec les données internes.
• Proposer des indicateurs robustes pour évaluer la valeur apportée par l'assimilation des données basée sur l'IA.
• Mise en œuvre des modèles les plus prometteurs avec les données internes.
• Proposer des indicateurs robustes pour évaluer la valeur apportée par les modèles basés sur l'IA.

Nous vous proposerons deux sujets de stage distincts :

• IA pour l'assimilation des données météo
• IA pour la prévision météo sous-saisonnière à saisonnière

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 dans le domaine de la Data appliquée à la météorologie, vous recherchez un stage de fin d'étude (PFE) d'une durée de 6 mois à partir de mars 2026 ?

Nous proposons deux sujets de stage :

• IA pour l'assimilation des données météo
• IA pour la prévision météo sous-saisonnière à saisonnière

Fort(e) d'une première expérience en Data météorologie, vous avez des connaissances en mathématiques appliquées, deep-learning et High Performance Computing / HPC ?

Vous êtes à l'aise avec la bureautique et connaissez la suite Office ? Vous utiliserez notamment Excel, Word et Powerpoint. Vous connaissez Python ?

L'autonomie, la rigueur et l'esprit d'équipe font partie intégrante de vos qualités ? Vous savez prendre des initiatives ?

Posséder une bonne capacité rédactionnelle ainsi qu'une maitrise professionnelle de l'anglais seront indispensables à votre prise de poste.

Si vous vous retrouvez dans le profil recherché, n'hésitez plus et rejoignez l'aventure TotalEnergies !