Aller au contenu
Aller au fil d'ariane
Espace ADUM
FR
|
EN
Doctorat Toulouse
DOCTORAT DE L'UNIVERSITE DE TOULOUSE
l'École des Docteurs de Toulouse (EDT)
Les établissements
Les écoles doctorales
Conseil de la politique doctorale
FAIRE UN
DOCTORAT
Faire un doctorat
Vie doctorante
S'inscrire / se réinscrire
Cotutelle de thèse
Soutenir sa thèse
Dérogation HDR
LES FORMATIONS
Les offres de formation
Les itinéraires de formation
S'inscrire
INTERNATIONALISATION
Les programmes
Programme China Scholarship Council (CSC)
La mobilité internationale
Banque internationale de sujets
APRÈS LE
DOCTORAT
L'observatoire du doctorat
Toulouse Alumni Docteurs
Les offres d'emploi
Maria TAHTOUH - Thèse en cours
En recherche d'emploi
Disponibilité :
décembre 2025
Mobilité :
France
Projet professionnel :
Recherche en milieu académique
Recherche en entreprise, R&D du secteur privé
enseignant-chercheur, enseignant du supérieur
chercheur en entreprise, R&D du secteur privé
Doctorat Astrophysique, Sciences de l'Espace, Planétologie
-
Institut Supérieur de l'Aéronautique et de l'Espace
Ecole doctorale
:
SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace
Sujet
: Apprentissage profond pour la prédiction et la modélisation de l’effet des CME sur la magnétosphère terrestre
Mots-clés de la thèse
: Apprentissage profond,prediction,CME,magnétosphère terrestre,
Direction de thèse
: Angelica SICARD
Co-direction de thèse
: Antoine BRUNET
Co-encadrement de thèse
: Guillerme BERNOUX
Unité de recherche :
ISAE-ONERA PSI Physique Spatiale et Instrumentation
- Toulouse
Intitulé de l'équipe :
ONERA/DPHY/SDU2E Département Physique, instrumentation, environnement, espace
Master - Master Techniques Spatiales et Instrumentation
obtenu en septembre 2022 - Université Toulouse III - Paul Sabatier
Option :
Techniques Spatiales et Instrumentation
Production scientifique
-
Maria Tahtouh, Guillerme Bernoux, Antoine Brunet, Denis Standarovski, Gautier Nguyen, Angélica Sicard
2025. Comparison of Solar Imaging Feature Extraction Methods in the Context of Space Weather Prediction With Deep Learning‐Based Models
Journal of Geophysical Research: Machine Learning and Computation,
En production
,
10.1029/2024JH000566
Dernière mise à jour le 23 juillet 2025