Laboratoire Eau Environnement et Systèmes Urbains (Leesu)

CDD (12 mois) d'ingénieur d'étude à l'ENPC - Évaluation du risque chimique des technologies de la transition énergétique

Julien Le Roux — 2026-09-09T16:27:22Z

Offre d'emploi pour le poste d'Ingénieur d'étude (H/F) - Évaluation du risque chimique des technologies de la transition énergétique. CDD de 12 mois en tant qu'ingénieur.e d'études au Leesu (site de l'ENPC à Champs-Sur-Marne)

- À noter : brèves du Leesu / Micropolluants

Liste des mémoires d'HDR

Julien Le Roux — 2026-09-09T13:24:55Z

Liste des Habilitations à Diriger des Recherches (HDR) soutenues au Leesu

HDR de Julien Le Roux : Caractérisation de la diversité et du comportement des micropolluants dans les systèmes d'assainissement et en milieu urbain - soutenue le 9 juillet 2026.

HDR de Rachid Dris : Microplastics in continental environments : building a holistic approach through a decade of research - soutenue le 28 mai 2026.

HDR de Clarisse Balland : Contribution de la biogéochimie appliquée à la géologie urbaine - soutenue le 23 mars 2026.

HDR de My Dung Jusselme : Écologie microbienne de l'environnement : diversité, fonctionnement, services écosystémiques et interactions avec les micropolluants - soutenue le 20 janvier 2026.

HDR de Adèle bressy : Micropolluants dans les eaux urbaines : sources d'émission et solutions de réduction à différentes échelles - soutenue le 1^er juin 2023.

HDR de Céline Bonhomme : La modélisation de la qualité des eaux de ruissellement urbaines face à ses défis, enjeux et contradictions - soutenue le 16 juin 2017.

HDR de Johnny Gasperi : Contaminants organiques en milieu urbain et dans les hydrosystèmes anthropisés - soutenue le 8 juillet 2013.

HDR de Marie-Christine Gromaire : Contribution à l'étude des sources et flux de contaminants dans les eaux pluviales urbaines - soutenue le 28 novembre 2012.

HDR de Gilles Varrault : Les contaminants dans les milieux récepteurs sous forte pression urbaine - soutenue le 24 novembre 2011.

HDR de Régis Moilleron : Hydrocarbures et métaux en milieu ubain - soutenue le 13 décembre 2004.

HDR de Ghassan Chebbo

Offre de stage M2 : Evaluation écotoxicologique de l'impact de mobiliers urbains recyclés dans un modèle de daphnie

Julien Le Roux, Valentine Court — 2026-09-09T09:11:00Z

Mots clés : microplastiques, nanoplastiques, additifs associés, daphnie, écotoxicité, comportement, stress oxydant

Contexte
La pollution plastique est un problème environnemental reconnu, aggravé par la présence de plus de 16 000 additifs (dont 25 % sont toxiques) et par une production exponentielle qui a atteint environ 400 Mt/an en 2023. La pollution plastique qui en résulte, en particulier les microplastiques (< 5 mm), a un impact sur les écosystèmes aquatiques et la santé humaine, bien que ses conséquences ne soient pas encore entièrement comprises. Alors qu'il existe un consensus scientifique sur la nécessité de réduire la production de plastique à la source, en particulier celle des plastiques à usage unique, la pollution plastique a historiquement été abordée principalement sous l'angle de la gestion des déchets. Par conséquent, les politiques publiques se sont principalement concentrées sur le recyclage et l'utilisation durable de certains plastiques. Il subsiste toutefois un angle mort, lié à la présence d'additifs dans les plastiques et à leur toxicité : l'utilisation massive de plastiques — y compris de plastiques recyclés — dans le tissu urbain avec par exemple, le mobilier urbain. En effet, une proportion inconnue de ces plastiques, avec leurs additifs, sont délibérément intégrées dans l'environnement par des infrastructures comme les mobiliers urbains. Comme ces matériaux ne sont pas perçus comme des déchets, ils sont considérés comme inoffensifs et mêmes promus comme solutions durables en termes d'économie circulaire. Cependant, ils sont susceptibles d'être fragmentés puis transférés vers les milieux aquatiques via des phénomènes de lixiviation lors d'épisodes pluvieux.

Descriptif du stage
Ce stage s'insère dans un projet pluridisciplinaire du laboratoire, URBIPLAST, dont le but est d'obtenir une vision complète des micropolluants relargués par ces matériaux, et d'évaluer les impacts écotoxicologiques de la fraction dissoute. Dans ce contexte, en amont du stage, la caractérisation chimique des échantillons par spectrométrie de masse à haute résolution, sera réalisée afin d'identifier l'ensemble des contaminants présents, et certains composés d'intérêt seront quantifiés par chromatographie liquide couplée à la spectrométrie de masse en tandem. Le/la candidate sera en charge d'étudier leurs effets écotoxicologiques dans un modèle expérimental de daphnie (Daphnia magna), un microcrustacé d'eau douce très utilisé en écotoxicologie, et sera impliqué(e) dans la maintenance de l'élevage. Les tests écotoxicologiques s'appuieront sur la norme OCDE 202 (48h). En fonction des résultats obtenus, des tests subchroniques intégratifs pourront être effectués. Cette étude pourra être complétée par des bioessais enzymatiques et RTqPCR permettant notamment d'évaluer le stress oxydant et la neurotoxicité des composés. Les résultats du stage permettront de mettre en regard l'impact écotoxicologique et l'empreinte chimique des différents échantillons, et de compléter les données existantes en vue d'engager des réflexions de la gestion de la dépollution des eaux de ruissellement et la maitrise du transfert des contaminants vers les milieux aquatiques.

Techniques utilisées : test OCDE 202, test sub-chronique, microscopie, étude du comportement (Zebrabox), bioessais enzymatiques, RTqPCR

Durée du stage : 5-6 mois (janvier – juin 2027)

Lieu de stage : Laboratoire Eau Environnement et Systèmes Urbains (LEESU), 61 avenue du général de Gaulle – 94010 CRETEIL cedex

Profil recherché : Master M2 en écotoxicologie, environnement, santé

Bonne maîtrise des outils informatiques (R) et analyse statistique,
Expérience sur la daphnie/autre organisme aquatique, en biochimie/biologie moléculaire serait un plus.
Bonnes capacités relationnelles, d'organisation et de communication orale et écrite (français et anglais) indispensables, ainsi que la capacité de travailler en autonomie.

Candidature
Les CV, lettre de motivation, notes de Licence et Master 1 sont à envoyer par mail à :
laure.garrigue-antar@u-pec.fr et antoine.tourret@u-pec.fr

Date limite de candidature : mi-octobre 2026

Offre en PDF :

Réunions d'information du Leesu

Daniel Thevenot — 2026-09-04T10:30:00Z

Réunion mensuelle, en visioconférence, de tous les membres du Leesu

Lors du dernier conseil du Leesu, il a été décidé d'organiser une réunion d'information mensuelle à destination de tous les membres du laboratoire.

Ces réunions auront lieu en visioconférence et dans la salle de documentation du Leesu à Champs-sur-Marne, le premier mardi de chaque mois entre 13h00 et 14h00, et auront pour objectif de favoriser les échanges autour des actualités du laboratoire. Elles permettront notamment de partager des informations sur :

Les nouveaux arrivants (stagiaires, doctorants, postdoctorants, chercheurs invités, etc.),
Les appels à projets,
La participation à des conférences,
L'implication dans des groupes de travail,
Les productions scientifiques (publications, ouvrages, etc.).

Les réunions d'information du Leesu se sont tenues :

mardi 4 février 2025, de 13h00 à 1400h
mardi 4 mars 2025 de 13h00 à 14h00
mardi 8 avril 2025 de 13h00 à 14h00
mardi 6 mai 2025 de 13h00 à 14h00
mardi 3 juin 2025 de 13h00 à 14h00
mardi 1er juillet 2025 de 13h00 à 14h00, exclusivement en visioconférence
mardi 2 septembre 2025 de 13h00 à 14h00 à la salle de documentation du Leesu à Champs-sur-Marne et en visioconférence
mardi 7 octobre 2025 de 13h00 à 14h00 à la Ruche à l'École nationale des ponts et chaussées (hall d'accueil) après un déjeuner pris en commun
mardi 4 novembre 2025 de 13h00 à 14h00 sur Teams
mardi 6 janvier 2026 de 13h00 à 14h00 sur Teams
mardi 3 février 2026 de 13h00 à 14h00 sur Teams
mardi 3 mars 2026 de 13h00 à 14h00 sur Teams
mardi 7 avril 2026 de 13h00 à 14h00 sur Teams
mardi 5 mai 2026 de 13h00 à 14h00 sur Teams
mardi 29 juin i2026 de 13h00 à 14h00 sur Teams
mardi 8 septembre 2026 de 12h00 à 14h00 à Créteil en salle P2-P33 et sur Teams

Vous pouvez y participer en utilisant le lien Teams transmis par courriel par Khamsa Habouchi, Secrétaire générale du Leesu.

Nous comptons sur votre présence pour faire de ces réunions un moment d'échange utile et efficace.

Bien cordialement,

Ghassan Chebbo

Séminaire de John Xiaogang Shi le 10 septembre 2026

Julien Le Roux — 2026-09-02T16:40:41Z

Séminaire de John Xiaogang Shi : Advancing Drought Early Warning in the Mekong Delta with an AI-based Framework Informed by Moisture Tracking. Le jeudi 10 septembre 2026 à 10h dans la salle de doc du Leesu à l'ENPC.

- À noter : brèves du Leesu

Séminaire : John Xiaogang Shi le 10 septembre 2026

Administrateur, Julien Le Roux — 2026-09-02T11:25:00Z

Un séminaire du LEESU aura lieu le jeudi 10 septembre 2026 à 10h00 à l'ENPC dans la salle de doc et de réunion du Leesu.

Il sera constitué d'une intervention de Dr John Xiaogang Shi, Associate Professor in Water Resources à l'University of New Brunswick (Canada).

Son intervention s'intitule "Advancing Drought Early Warning in the Mekong Delta with an AI-based Framework Informed by Moisture Tracking".

Abstract

As climate change intensifies hydroclimatic extremes, advancing drought prediction capabilities has become critical for building resilience in vulnerable agricultural deltas. This urgency is acute in the Mekong Delta, where severe droughts have repeatedly caused profound social and economic damage, underscoring the need for improved forecasting to inform mitigation and preparedness. This study presents an AI-based framework that integrates precipitation moisture diagnostics with deep learning to significantly improve drought prediction in the Vietnamese Mekong Delta (VMD). First, moisture source contributions were quantified using the Water Accounting Model-2layers (WAM-2layers), a moisture tracking tool with ERA5 reanalysis data as inputs, revealing that over 60% of VMD precipitation originates from upwind source regions, with humidity and wind speed identified as dominant causal drivers of drought-period deficits. Building on this physical insight, a Convolutional Gated Recurrent Unit (ConvGRU) model was employed and explicitly trained with these external atmospheric variables. The model demonstrated robust multi-type drought forecasting skill at a 3-month lead, accurately detecting 90% of meteorological and 80% of agricultural droughts with low false-alarm rates (<10%), and reliably reconstructing major historical drought events. This work establishes a synergistic methodology, in which process-based diagnostics inform and validate an AI-driven prediction system, directly contributing to more reliable, physically interpretable early warning and supporting agricultural resilience and economic stability in this climate-sensitive delta.

Biography

Dr. John Xiaogang Shi is an Associate Professor in Water Resources at the University of New Brunswick, Canada. He earned his PhD from the University of Washington and subsequently held an NSERC Visiting Fellowship at Environment Canada's National Hydrology Research Centre. With an international career spanning four continents, Dr. Shi has held academic appointments as a Senior Lecturer at the University of Glasgow, a Lecturer at Lancaster University and Xi'an Jiaotong-Liverpool University, and a Research Scientist at CSIRO Land and Water in Australia. His leadership roles include serving as Director of Research and MSc Programme Director at the University of Glasgow, where he also co-founded the Environmental Sustainability Initiative. Dr. Shi contributes to the global research community as a member of both the UKRI NERC Peer Review College and Talent Peer Review College, and serves as an Associate Editor for Environmental Impact Assessment Review. He also provides expert advisory input as a member of the Technical Reference Group for the Permanent Okavango River Water Commission in Africa. His work bridges data science, hydrological modelling, and artificial intelligence to develop solutions for critical water resources and environmental challenges, with a focus on the integrated management of water resources under changing environmental conditions.

Utilisation de l'IA

bvl, Julien Le Roux — 2026-08-30T12:24:44Z

Les recherches du Leesu font appel depuis plusieurs années à des outils numériques avancés pour la modélisation des phénomènes environnementaux et pour le traitement de données d'analyses chimiques et biologiques et des séries temporelles de mesures de terrain à fréquence élevée. Le développement de nouveaux outils basés sur des algorithmes d'intelligence artificielle est en plein essor.

Les algorithmes d'apprentissage machine (ex. réseaux de neurones) sont utilisés depuis plusieurs décennies au Leesu pour des applications en hydrologie ( [1], [2], [3]).
Ce type d'approche est appropriée pour la modélisation de processus hydrologiques basée sur l'acquisition de données de terrain sur le long terme et à fréquence élevée. Plus récemment, les données analytiques complexes acquises en laboratoire (spectrométrie de masse, métagénomique shotgun) requièrent l'utilisation de chaines de traitement appropriées et le développement de nouvelles approches d'apprentissage.

Différentes approches sont utilisées par les chercheurs du Leesu, d'une part pour le traitement et l'analyse de données et de séries temporelles et d'autre part, à l'échelle des hydrosystèmes pour la modélisation prédictive d'évolution de la qualité de l'eau ou de l'évolution de leur fonctionnement hydro-biogéochimique :

utilisation d'algorithmes ou chaines de traitement existantes
développement de chaines de traitement avec intégration/adaptation d'algorithmes
développement de systèmes d'alerte du risque sanitaire dans les cours d'eau urbains
développement de nouvelles approches de modélisation hybride en lien avec la physique des processus

Utilisation d'algorithmes et chaines de traitement

Les recherches du Leesu utilisent depuis déjà des décennies des algorithmes d'apprentissage machine, des plus simples (régressions linéaires) aux plus complexes (réseaux de neurones).

Un exemple récent concerne la prédiction de paramètres globaux de pollution liés à la matière organique (DCO, DBO, COT) par analyse de fluorescence 3D. Des algorithmes de type régression PLS multiple (utilisant plusieurs composantes de fluorescence), entraînés sur des jeux de données d'eaux de la Seine ou d'eaux usées analysées en laboratoire ou in situ dans le cadre du programme MeSeine Innovation, sur fluorimètre de paillasse ou sur des sondes de mesure in situ (sonde Fluocopée), permettent de prédire le Carbone Organique Dissous et même certaines fractions d'intérêt (Carbone Organique Dissous Biodégradable - CODB) avec une très bonne fiabilité. La mesure de ces paramètres en laboratoire serait beaucoup plus longue (jusqu'à 45 jours pour le CODB) [4].

Prédiction du COD par analyse de fluorescence in situ (sonde Fluocopée) et comparaison avec les mesures (Raoult, 2025)

D'autres types de modèles et chaines de traitement de données intégrant des outils d'apprentissage machine sont utilisés pour diverses applications analytiques, notamment en analyse microbiologique (diversité microbienne, gènes de résistance aux antimicrobiens, ADN environnemental...). Les techniques analytiques de métagénomique shotgun requièrent en effet des outils bioinformatiques avancés intégrant des algorithmes d'apprentissage machine de type deep learning pour la détection de gènes spécifiques ou pour révéler des phénomènes fonctionnels et interactions complexes au sein de génomes environnementaux.

En chimie analytique, le développement des analyses non-ciblées par spectrométrie de masse haute-résolution nécessite des outils d'apprentissage machine pour la quantification des nombreux signaux détectés. Au contraire des analyses ciblées où la quantification est habituellement possible par l'utilisation de gammes de calibration pour une liste de molécules spécifiques connues, la détection non-ciblée de multiples molécules sans a priori ne permet pas une quantification précise. Il est alors possible d'utiliser des modèles récents de prédiction de la concentration basée sur les structures chimiques des molécules détectées (ex. MS2Quant) [5].

Développement de modèles et intégration dans des chaines de traitement

Pour l'identification de molécules détectées par analyse non-ciblée, il est également nécessaire de disposer de plusieurs paramètres analytiques connus précisément pour chaque molécule (masse exacte, spectres de fragmentation, temps de rétention chromatographique, temps de mobilité ionique). Certains de ces paramètres peuvent être obtenus avec des bases de données disponibles en ligne, mais le temps de rétention est propre à l'instrument et à la méthode analytique utilisée, ce qui le rend très variable. Il est toutefois possible de prédire le temps de rétention des molécules dans des conditions analytiques données, à partir de leur structure chimique. Un modèle d'apprentissage basé sur une régression Ridge a ainsi été développé à partir de nombreux descripteurs moléculaires (2D et 3D), permettant l'estimation du temps de rétention pour 70 000 molécules d'une base de données. [6] Ce modèle a été intégré dans une chaine de traitement complète d'identification de molécules, fournissant différents niveaux de confiance en fonction de la fiabilité des paramètres utilisés.

Prédiction de temps de rétention chromatographique par régression ridge pour une trentaine de molécules à partir de leurs descripteurs moléculaires (Sade, 2025)

Développement de systèmes d'alerte du risque sanitaire dans les cours d'eau urbains

La baignade en eau libre constitue une adaptation très appréciée des urbains face aux épisodes de canicule de plus en plus fréquents. Afin de limiter les risques sanitaires pour les nageurs, un système d'alerte est nécessaire pour anticiper des épisodes de contamination microbiologique et ainsi mieux gérer l'éventuelle fermeture à la baignade. Un système d'alerte pour la prévision du risque de contamination microbiologique de la Seine lors des épreuves de natation en eau libre des JOP de Paris 2024 a été développé. Une méthode de machine learning pour la réduction de la dimensionalité non-linéaire (Manifold ISOMAP) des variables hydrologiques et microbiologiques a été mise en œuvre pour définir un indicateur agrégé de pluie, ensuite corrélé au risque de contamination. Cet outil développé pour les JOP [7] a été repris pour le suivi des sites de baignade ouverts dans Paris à l'été 2025 et plus largement pour suivre l'évolution de la qualité de l'eau de la Seine et de la Marne [8].

Développement d'un système de prévision par machine learning du risque de contamination microbiologique dans la Seine à Paris (Guillot – Le Goff et al., 2026).

Approches hybrides associant modélisation à base physique et deep-learning

La modélisation à base physique de la thermique, de l'hydrodynamique et des processus biogéochimiques des écosystèmes aquatiques constitue une thématique de recherche du LEESU depuis l'origine du laboratoire. Les méthodes d'apprentissage par les données offrent depuis quelques années une perspective d'amélioration des performances de ces modèles, en particulier pour les processus biogéochimiques. Néanmoins ces méthodes manquent souvent d'interprétabilité et de cohérence physique et ne permettent des prévisions fiables qu'à court terme. Pour pallier à ces limites, nous développons en collaboration avec le laboratoire MISTEA (INRAE, Montpellier) une approche hybride basée sur les équations différentielles universelles (UDE). Dans cette approche l'évolution temporelle des variables d'intérêt est régie par un système d'équations différentielles incluant un terme de réseaux de neurones (Neural ODE) et un terme basé sur la physique. L'UDE a été mise en œuvre pour simuler la stratification thermique d'un petit lac urbain, le lac de Créteil, et validée en confrontant les résultats de simulation aux données à haute-fréquence [9]. La comparaison des performances d'un modèle basé sur la physique et d'un modèle d'apprentissage par les données a montré de meilleures performances du modèle hybride UDE (figure ci-dessous). Le développement de cette approche de modélisation hybride se poursuit pour des variables biogéochimiques (Chlorophylle, Oxygène …).

Simulation de la température de l'eau en 2 profondeurs du lac de Créteil (mesures : trait bleu ; modèle basé sur la physique : tirets ; modèle d'apprentissage par les données : pointillés ; UDE : trait rouge (Métivier et al., 2026).

[1] GAUME E., GOSSET R. « Over-parameterisation, a major obstacle to the use of artificial neural networks in hydrology? ». Hydrology and Earth System Sciences [En ligne]. 31 octobre 2003. Vol. 7, n°5, p. 693-706. Disponible sur : < http://dx.doi.org/10.5194/hess-7-693-2003 > (consulté le 24 juillet 2026)

[2] VINÇON-LEITE B., DUBOIS P., CALABRO-SOUZA G., CLERCIN N., SAAD M. « A warning system of cyanobacterial blooms – Case of a small urban lake. ». In : Journées Information Eaux 2022. Poitiers, France : [s.n.], 2022.

[3] TRAN KHAC V., HONG Y., PLEC D., LEMAIRE B. J., DUBOIS P., SAAD M., VINÇON-LEITE B. « An Automatic Monitoring System for High-Frequency Measuring and Real-Time Management of Cyanobacterial Blooms in Urban Water Bodies. ». Processes [En ligne]. février 2018. Vol. 6, n°2, p. 11. Disponible sur : < http://dx.doi.org/10.3390/pr6020011 > (consulté le 31 août 2026)

[4] RAOULT A. Caractérisation in situ et à haute fréquence de la matière organique dissoute dans les milieux aquatiques sous fortes pressions anthropiques à partir d'une nouvelle technologie de spectrométrie de fluorescence [En ligne]. Theses. [s.l.] : Université Paris-Est Créteil Val-de-Marne - Paris 12, 2025. Disponible sur : < http://dx.doi.org/10.70675/b5b96759z8db0z4629z809az0c04a42552c7 > (consulté le 29 juillet 2026)

[5] SADE J. Contamination des eaux de surface soumises à des pressions anthrophiques : développement d'outils pour la caractérisation par analyses non-ciblées en spectrométrie de masse à haute résolution avec mobilité ionique [En ligne]. Theses. [s.l.] : Université Paris-Est Créteil Val-de-Marne - Paris 12, 2025. Disponible sur : < https://theses.hal.science/tel-05516533 > (consulté le 24 mars 2026)

[6] SADE J. Contamination des eaux de surface soumises à des pressions anthrophiques : développement d'outils pour la caractérisation par analyses non-ciblées en spectrométrie de masse à haute résolution avec mobilité ionique [En ligne]. Theses. [s.l.] : Université Paris-Est Créteil Val-de-Marne - Paris 12, 2025. Disponible sur : < https://theses.hal.science/tel-05516533 > (consulté le 24 mars 2026)

[7] GUILLOT - LE GOFF A., CARTIER Y., VINÇON-LEITE B., BOYAVAL S., CARMIGNIANI R. « Predicting microbiological contamination in urban rivers: an event-based indicator approach applied to the Seine river during the 2024 Paris olympic and paralympic games. ». Journal of Hydrology [En ligne]. 1 juillet 2026. Vol. 674, p. 135504. Disponible sur : < http://dx.doi.org/10.1016/j.jhydrol.2026.135504 > (consulté le 31 août 2026)

[8] CARTIER Y., GUILLOT - LE GOFF A., CARMIGNIANI R., VINCON-LEITE B. « Gestion proactive des risques sanitaires dans les rivières urbaines : Une méthodologie intégrée pour anticiper les contaminations fécales consécutives aux épisodes pluvieux. ». In : 1er Congrès Eau & Intelligence Artificielle, SHF. [s.l.] : [s.n.], 2026.

[9] MÉTIVIER D., CASENAVE C., VINCON-LEITE B. « Hybrid Deep Learning and Physics Models for Lake Water Quality Forecasting. ». In : 1er Congrès Eau & Intelligence Artificielle, SHF. [s.l.] : [s.n.], 2026.

Conseil de laboratoire du Leesu

Daniel Thevenot — 2026-07-17T09:00:00Z

Composition, rôle et fonctionnement du Conseil de laboratoire du Leesu

Composition

Le conseil de laboratoire est composé :

De membres de droit : les membres de l'équipe de direction
- Ghassan Chebbo
- Julie Gobert
- Gilles Varrault
- Khamsa Habouchi, Secrétaire générale
De membres élus (9) pour deux ans et demi (dernière élection : résultats diffusés le 27 septembre 2024), représentatifs des différentes catégories de personnels de l'unité à savoir :
1 DR et 1 PR et leurs suppléants
- Collège DR
  - Brigitte Vinçon-Leite (Titulaire)
  - Pas de suppléant
- Collège PR
  - Laure Garrigue-Antar (Titulaire)
  - Françoise Lucas (suppléante)
1 CR et 2 MCF et leurs suppléants
- Collège CR
  - Adèle Bressy (Titulaire)
  - José-Frédéric Déroubaix (Suppléant)
- Collège MCF
  - Tharaniya Srikanthasamy-Tambosco (Titulaire)
  - Rachid Dris (Titulaire)
  - My Dung Jusselme (suppléante)
  - Manque un suppléant
2 personnels supports (administratif ou technique) et leurs suppléants
- Émilie Caupos (Titulaire)
- Mohamed Saad (Titulaire)
- Manque deux suppléants
1 représentant des Doctorants et son suppléant
- Rim Saad (Titulaire)
- Armand Poirier (Suppléant)
1 représentant des chercheurs contractuels et son suppléant
- Guilherme Calabro Souza (Titulaire)
- Emilien Darcy (Suppléant)

Rôle du Conseil de laboratoire

Le conseil de laboratoire a un rôle consultatif. Il discute et donne son avis notamment (et pas exclusivement…) sur toutes mesures relatives :

à l'organisation et au fonctionnement de l'unité et susceptibles d'avoir une incidence sur la situation et les conditions de travail du personnel (ex. la gestion des ressources humaines, conventions, gestion des bureaux…) ;
aux orientations stratégiques discutées et votées au sein du comité scientifique (ex. les profils de postes, l'animation scientifique de l'unité, la hiérarchisation des allocations doctorales, la politique de formation par la recherche, les conséquences à tirer des avis formulés par les organismes d'évaluation dont relève l'Unité…)
aux questions budgétaires (ex. utilisation des frais de laboratoire, budget prévisionnel, utilisation des reliquats de contrat…)

Le conseil de laboratoire est tenu informé par le directeur de l'unité des politiques scientifiques des établissements de tutelle de l'unité et de leur incidence sur le développement de l'unité.

Fonctionnement du Conseil de laboratoire

Le conseil de laboratoire est présidé par le directeur d'unité.

Pour toutes les catégories de personnel, le suppléant ne participe que si le membre élu ne peut pas siéger.

Le conseil de laboratoire se réunit à une fréquence de 1 fois toutes les 8 semaines sauf conseil de laboratoire extraordinaire, convoqué par l'équipe de direction ou par au moins deux tiers des membres élus du conseil de laboratoire.

L'ordre du jour de chaque séance est établi par le directeur et transmis au moins une semaine avant la séance à l'ensemble des membres du Laboratoire. L'ordre du jour sera accompagné de tout document utile ou nécessaire aux délibérations.

L'ensemble des membres de l'unité est prévenu de la tenue d'un conseil de laboratoire pour leur permettre de transmettre leurs interrogations et éventuelles questions diverses. Ces dernières devront être soumises à l'avance à leurs représentants et au directeur 48 h à l'avance.

Le conseil de laboratoire ne délibère valablement que si la moitié de ses membres élus au moins est présente ou représentée. Si le quorum n'est pas atteint, le directeur choisit une autre date de réunion avec le même ordre du jour. Aucune condition de quorum n'est alors requise.

Le conseil délibère à la majorité des suffrages exprimés ; un relevé des délibérations est adressé à tous les membres du laboratoire dans un délai maximum de 3 semaines après la tenue du conseil de laboratoire.

La règle de fonctionnement usuelle est le consensus. En cas de désaccord au sein du conseil de laboratoire, il sera procédé à un vote à bulletin secret. L'équipe de direction ne prend pas part aux votes organisés par le conseil de laboratoire.

Calendrier et compte-rendus du Conseil de laboratoire du Leesu

Ces informations sont disponibles, depuis 2010, sur l'intranet du Leesu.

Prix de thèse des Ponts 2026

bvl — 2026-07-14T09:00:00Z

Arthur Guillot - Le Goff est lauréat du prix de thèse des Ponts 2026 pour ses travaux de doctorat réalisés au LEESU et au LHSV. Sa thèse est intitulée “Modélisation hydrodynamique et microbiologique des milieux aquatiques urbains pour la prévention des risques sanitaires de baignade en eau libre”.
Un sujet d'actualité !

Félicitations Arthur !

Journées Information Eaux 2026

Daniel Thevenot — 2026-07-04T17:30:00Z

27ᵉ édition du congrès des Journées Information Eaux (JIE) - 6, 7 et 8 octobre 2026 à l'ENSI Poitiers

Les Journées Information Eau (JIE) ont pour vocation d'apporter aux professionnels de l'eau une information d'actualité sur les questions de traitement et d'épuration des eaux, ainsi que sur les innovations technologiques et analytiques. En plus de 50 ans d'existence, ce congrès est devenu une référence incontournable dans le domaine du traitement de l'eau.

Journées Information Eaux 2026

Le programme du congrès JIE 2026 est désormais disponible !

Nous vous rappelons que ces journées se tiendront les 6, 7 et 8 octobre 2026 à Poitiers (86). Durant ces trois jours, vous pourrez assister à des conférences, découvrir les dernières avancées du secteur de l'eau et échanger avec des professionnels.

Vous pouvez dès à présent télécharger le programme, consulter les tarifs et vous inscrire ici.

Par ailleurs, il reste encore quelques stands d'exposition disponibles sur le salon, n'hésitez pas à nous contacter pour plus d'informations.

Nous serons ravis de vous accueillir à Poitiers pour cette 27e édition des JIE.

La séance d'ouverture des JIE 2026 aura lieu le mardi 6 octobre dès 9h dans l'amphithéâtre de l'ENSI Poitiers. Les conférences se répartiront ensuite dans 3 salles en parallèle.

Un dîner de gala (en option avec supplément) aura lieu le mardi soir, 6 octobre (lieu à déterminer).

Puis un cocktail sera organisé le mercredi 7 octobre vers 18h15 dans le hall de l'ENSI Poitiers.

Enfin, le congrès se clôturera le jeudi 8 octobre vers 13h30.

Voir en ligne : Journées Informations Eaux (JIE)