Passer au contenu principal

Internship@CGS IPSL

À l’IPSL-CGS, le climat j’en fais mon métier !

Les offres

Si tu es intéressé·e par une offre de stage, rapproche-toi de l’équipe pédagogique de ta formation, pour faire valider l’offre de stage proposée.

popup cross
Évaluation de l’assimilation de données océaniques pour l’initialisation des prévisions décennales dans l’Atlantique Nord
créé 18-11-2026
date de finSe ferme: 31-12-2026
emplacement Vues: 21
Contact Email: webmaster@ipsl.fr
Informations sur le stage
Niveau de recrutement: Master - M2
Statut: En recherche de candidat
Durée du stage: 4 mois
Ville: Paris
Publié: 19-11-2026
Postuler avant le: 31-12-2026
Nom encadrant: Guillaume Gastineau
E-mail de contact: guillaume.gastineau@locean.ipsl.fr
Fonction: Professeur
Lien avec l'IPSL: Travaille à l’IPSL
Autres Encadrants: Oui
Equipe Encadrante: Nicolas Lebas, Olivier Torres, Juliette Mignot, Didier Swingedoux
Gratification de stage: oui, financement acquis
Possibilité de poursuite en thèse: Oui
Thématiques du sujet: Modelisation numerique, Analyse de donnees, Apprentissage statistique
Mots clé thématiques: Modélisation du climat
Lié à un thème de recherche IPSL: Oui
Thèmes de recherche IPSL: Variabilité climatique interne et forcée
La description

Les prévisions météorologiques et climatiques nécessitent d’initialiser un modèle de climat autour d’un état proche de celui observé. Pour éviter que l’état initial soit trop éloigné de celui du modèle en mode prévisions, cet état peut être généré par une analyse utilisant le même modèle que celui des prévisions. Dans le cas des prévisions décennales (un à 10 ans en avance), l’état d’initialisation de l’océan est particulièrement important car l’océan en sous-surface est persistant d’une année à l’autre et peut impacter le climat. Selon les études de référence (van Oldenborgh et al., 2012), l’Atlantique Nord est une des régions où les propriétés de l’océan superficiel pourraient être les plus prévisibles un à dix ans en avance, notamment grâce à sa circulation grande échelle, appelée circulation de retournement Atlantique (AMOC pour Atlantic Meridional Overturning Circulation). Cependant, les incertitudes propres aux modèles de climat et aux observations rendent difficile l’obtention d’un état initial de bonne qualité et pourraient limiter la qualité des prévisions décennales. D’autre part, utiliser des observations trop éloignées de l’état du modèle peut générer des dérives et altérer la qualité des prévisions. Inversement, la prise en compte des observations doit être suffisante pour impacter significativement l’AMOC et ainsi générer de la prévisibilité.

Dans ce contexte, le stage vise à comprendre et évaluer des analyses réalisées avec le modèle de climat de l’IPSL (version IPSL-CM6A-LR). Nous cherchons en particulier à améliorer la représentation de la variabilité de l’océan dans l’Atlantique Nord et de l’AMOC entre 1950 et 2025 dans les analyses produites pour initialiser les prévisions décennales (Swingedouw et al., 2026). Nous chercherons à assimiler des données de salinité (SSS, pour sea surface salinity) et de température de surface (SST, pour sea surface temperature) de la base EN4 (Good et al., 2013), à l’aide d’une méthode d’interpolation optimale d’ensemble (EnOI, pour Ensemble Optimal Interpolation ; Evensen, 2003). Ces observations seront utilisées pour contraindre l’état du modèle sur la période 1950–2025, avec une attention particulière portée à l’Atlantique Nord. L’EnOI repose sur un ensemble de simulations permettant de représenter la variabilité du système et de construire une matrice de covariance d’erreur du modèle. Lorsqu’une observation est disponible, l’écart entre l’observation et la simulation est propagé vers les autres points de la grille à l’aide de ces covariances.

Le stage vise d’abord à comprendre le fonctionnement de l’assimilation avec EnOI et à faire le lien avec l’état de l’art. Ensuite, des simulations existantes avec assimilation seront évaluées. Les covariances d’ensemble utilisées seront étudiées (longueur de corrélation, carte de variances, modes de covariance). Selon les premiers résultats, des simulations spécifiques, par exemple avec assimilation de SST seule ou de SSS seule, pourront être réalisées et évaluées à l’aide de données exclues de l’assimilation et réservées à la validation. Des données non indépendantes, comme la SSS de SMOS (Font et al., 2013), pourront être utilisées pour une seconde validation. L’étude devra permettre de caractériser où, quand et dans quelles conditions l’EnOI permet de reconstruire correctement la variabilité océanique, avec un diagnostic particulier de l’AMOC, de la SST et de la SSS dans l’Atlantique Nord.

Le travail sera fait en collaboration avec Nicolas Lebas (ingénieur CNRS), qui lancera les simulations d’analyse sur le supercalculateur du TGCC (CEA) et rendra disponibles les résultats. Des réunions régulières auront lieu avec l’équipe décennale (Juliette Mignot, Nicolas Lebas et Guillaume Gastineau du LOCEAN, Didier Swingedouw d’EPOC et Olivier Torres du LMD).

Le code du modèle est en Fortran 90 et utilise des scripts Bash, mais une connaissance approfondie de ces langages n’est pas nécessaire. Les codes d’analyse seront développés en Python, sous un environnement Linux.

Références :

Boutin, J. et al (2018). New SMOS Sea Surface Salinity with reduced systematic errors and improved variability. Remote Sensing of Environment, 214, 115-134. https://doi.org/10.1016/j.rse.2018.05.022

Evensen, G. (2003). The ensemble Kalman filter: Theoretical formulation and practical implementation. Ocean dynamics, 53(4), 343-367. https://doi.org/10.1007/s10236-003-0036-9

Good, S. A., et al. (2013). EN4: Quality controlled ocean temperature and salinity profiles and monthly objective analyses with uncertainty estimates. Journal of Geophysical Research: Oceans, 118(12), 6704-6716. https://www.metoffice.gov.uk/hadobs/en4/

Swingedouw, D. et al. (2026). Evaluation of two versions of the IPSL-EPOC decadal prediction systems. Frontiers in Climate, 8, 1803256. https://doi.org/10.3389/fclim.2026.1803256

van Oldenborgh, G. J. et al. (2012). Decadal prediction skill in a multi-model ensemble. Climate dynamics, 38(7), 1263-1280. https://doi.org/10.1007/s00382-012-1313-4