L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

Vous serez accueilli(e) au sein de l'équipe Hydraulique des Rivières de l'Unité de Recherche RiverLy, département AQUA, INRAE site de Lyon-Villeurbanne. La mission s'inscrit dans le projet ANR ARCO « Assistance à la recherche de victimes en cours d'eau » (2024-2028), et spécifiquement le Work Package WP3.3 (partenaires : INRAE, LMFA, Compagnie Nationale du Rhône, Université de Liège).

Cette action de recherche vise, à travers un post-doctorat de 18 mois, à développer une méthode intégrée permettant de calculer les cartes de probabilité de localisation d'une victime après son immersion dans un cours d'eau, sur la base de modélisations numériques bidimensionnelles (2DH) des écoulements en rivière, dans le but d’améliorer le taux de réussite des interventions de sauvetage. 

La méthode doit être générique et reproductible (non spécifique à un site ou à un code 2DH), open source (codes et scripts), probabiliste (propagation Monte Carlo des incertitudes dans les données et paramètres d'entrée, résultats sous forme de distributions) et applicable dans des conditions opérationnelles, c'est-à-dire avec les informations généralement disponibles lors d'une opération de recherche et de sauvetage (points de départ/d'arrivée, caractéristiques du corps et des vêtements, durée d'immersion, débit, température de l'eau, météo, saison/date, vent...), et des temps de calcul compatibles avec le temps réel. Les données d'entrée comprendront les données et les statistiques de l'étude épidémiologique (WP1), les écoulements précalculés (WP3.2) et des informations supplémentaires sur la bathymétrie détaillée du lit de la rivière, l'occupation du fond, les obstacles susceptibles d'arrêter le corps, etc. L'outil intégré sera testé et validé à l'aide de données expérimentales sur le terrain à l’aide d’un mannequin instrumenté (WP2) et de données d'intervention réelles (WP1), en vérifiant si les trajectoires observées sont (statistiquement) cohérentes avec les cartes de probabilité de localisation calculées.

Le ou la post-doctorant(e) sera encadré(e) par Jérôme Le Coz et Théophile Terraz (INRAE), et les travaux seront suivis par un comité réunissant les partenaires du projet, dont les pompiers du SDMIS du Rhône.

Vous serez plus particulièrement en charge des travaux suivants :

• Phase 1 (2 mois) : Prise en main du projet, des méthodes et des outils associés (dont la plateforme de simulation bayésienne BaM et les modèles hydrauliques 2DH Open-Telemac de Rhône-Saône à Lyon et WOLF de la Meuse à Liège) par le ou la post-doctorant(e), analyse bibliographique (modèles lagrangiens déterministes et probabilistes, thèses de C. Delhez et de K. Sessou).
• Phase 2 (6 mois) : Développement d’une méthodologie d’établissement des trajectoires et positions probabilistes, implémentation de la chaîne de calcul.
• Phase 3 (4 mois) : Application à des cas expérimentaux (Lyon et Liège), évaluation, amélioration et validation de la méthode.
• Phase 4 (4 mois) : Publication ouverte des scripts et jeux de données, rédaction d'un article scientifique, participation à une conférence scientifique, préfiguration d'une mise à jour de la carte de probabilité de présence avec des observations de non présence (inférence bayésienne).
• Phase 5 (2 mois) : Rédaction du rapport final, contribution au cahier des charges d'une future application opérationnelle.

• Formation recommandée : Thèse de doctorat en hydraulique à surface libre et modélisation numérique et/ou en modélisation numérique probabiliste
• Connaissances souhaitées : Langages de programmation (dont Python), langue anglaise, probabilités/statistiques/incertitudes
• Expérience appréciée : Travaux de recherche scientifiques en Master, thèse voire post-doctorat
• Aptitudes recherchées : Rigueur scientifique, autonomie, communication orale/écrite, goût pour le travail en équipe et les applications opérationnelles