Missions

Le(la) post-doctorant(e) aura pour mission principale de développer des approches d’apprentissage profond à grande échelle pour analyser des séries temporelles multi-sources d’images satellites (Sentinel-1/2, Pléiades, Pléiades-NEO, SPOT 6/7, etc.) et d’autres modalités spatiales ou environnementales complémentaires. L’objectif sera d’explorer de nouvelles représentations fondation pour la compréhension des dynamiques de surface et des processus sous-jacents à différentes échelles spatiales et temporelles. Ce travail contribue à la construction d’approches génériques pour l’observation des dynamiques environnementales à partir de données massives d’observation de la Terre.

Activités

- Concevoir et mettre en œuvre une chaîne de traitement exploitant des données satellitaires multi-modales et multi-temporelles de haute résolution spatiale.
- Développer et adapter des modèles d’apprentissage à grande échelle (“giga-modèles” ou modèles fondation) pour la caractérisation et le suivi des dynamiques environnementales.
- Intégrer et harmoniser des séries temporelles issues de capteurs hétérogènes (satellites, in situ, participatifs, etc.) afin d’améliorer la compréhension des évolutions spatiales et temporelles des milieux observés.
- Contribuer à la diffusion scientifique des résultats à travers des publications internationales de rang A et des actions d’ouverture des données et des modèles développés.

Compétences

Le/la candidat(e) sera titulaire d’un doctorat en géographie/géomatique. Il/elle possèdera des compétences avancées en traitement d’images (machine/deep learning), en analyse spatiale et en statistique.
Des compétences avancées en méthodes de traitement de séries temporelles d’images sont demandées, ainsi que dans les langages de programmation géomatique de type Python et R, ainsi que des nouveaux développements en apprentissage profond (e.g.: modèles fondation, apprentissage auto-supervisé). Intégré au sein d’une équipe pluridisciplinaire avec de multiples partenaires aux profils scientifiques variés, le candidat devra être capable de faire le lien et de travailler avec les différentes équipes du projet. A ce titre, un niveau de français (C1) et d’anglais (B2) permettant une communication fluide est indispensable. Une autonomie dans les traitements est attendue avec une expérience ainsi que des capacités rédactionnelles en anglais sont attendues.

Contexte de travail

Le poste relève à la fois des sciences géographiques, de la télédétection et du calcul scientifique. Il s'inscrit dans le cadre du projet M2-BDA (Multi-Modal Big Data Analytics: knowledge distillation and deep learning for actionable insights), financé par l’Agence Nationale de la Recherche (ANR), qui vise à développer des approches originales de traitement et d’analyse permettant d’explorer et de révéler les relations cachées issues de la combinaison de données d’observation de la Terre hétérogènes (in situ, aéroportées, satellitaires, participatives). Le projet se concentre sur la conception de méthodes d’apprentissage adaptées aux flux massifs de données multi-sources et multi-échelles, en abordant plusieurs verrous scientifiques : (1) la gestion de données multi-modales, temporelles et multi-résolution, (2) le développement de giga-modèles et d’approches d’auto-apprentissage pour pallier le manque de données annotées, (3) la distillation de connaissances pour simplifier les architectures complexes, et (4) l’explicabilité des réseaux afin de mieux interpréter le fonctionnement des modèles profonds.
Le/la post-doctorant(e) sera accueilli(e) au Laboratoire Image, Ville, Environnement (LIVE, UMR 7362 CNRS/Université de Strasbourg), au sein de la Faculté de Géographie et d’Aménagement, sur le campus universitaire, à proximité du centre-ville et de toutes les commodités (restauration, logement). Le travail s’inscrit dans un cadre interdisciplinaire combinant intelligence artificielle, géomatique et sciences de l’environnement, et le projet s’appuie sur une forte interdisciplinarité entre l’informatique (LIPADE, IRIMAS), la géographie environnementale (LIVE) et les géosciences (ITES), et l’Infrastructure de Recherche (IR) Data Terra, pour la fairisation, la diffusion des résultats et des jeux de données ainsi que pour l'opérationnalisation des chaines de traitement, qui s'appuie sur le Centre de Données et de Services A2S (EOST/Unistra) adossé au Data Center de l'Université de Strasbourg. L’appétence pour le terrain serait un plus.

Contraintes et risques

Pas de risques associés.