En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR7533-MYRDJE-001 - Ingénieur de recherche en télédétection de l'environnement (H/F)

Ingénieur de recherche en télédétection de l'environnement (H/F)


Date Limite Candidature : mardi 14 décembre 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR7533-MYRDJE-001
Lieu de travail : ST DENIS
Date de publication : mardi 2 novembre 2021
Type de contrat : CDD Technique/Administratif
Durée du contrat : 12 mois
Date d'embauche prévue : 1 janvier 2022
Quotité de travail : Temps complet
Rémunération : Entre 2500 et 2700€ bruts mensuels selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : 1 à 4 années

Missions

La personne recrutée aura pour mission principale de développer une démarche méthodologique permettant de cartographier automatiquement cette limite supérieure forestière à partir d'orthophotographies anciennes (N&B) et actuelles (IRC et RGB). Il s'agira en particulier d'explorer le potentiel des réseaux de neurones convolutifs (CNN) qui apparaissent bien adaptés à la reconnaissance des éléments ligneux dans ce type d'images et pour lesquels la texture diffère de celle des espaces ouverts comme les pelouses et les landes (Le Bris et al. 2019, Dias et al. 2020, Hufkens et al. 2020). La méthode devra être suffisamment générique pour pouvoir être appliquée sur les différents sites d'étude du projet et à terme, sur l'ensemble du massif Pyrénéen. Elle devra aussi être robuste à la forte hétérogénéité radiométrique caractérisant les images anciennes (bruit, vignettage) et aux effets liés à la topographie (ombres portées, déformations géométriques) induisant une forte variabilité intra-classe. Le travail sera mené à deux dates : (1) autour des années 50 à l'aide de la BD ORTHO® Historique et (2) à une date la plus récente, à l'aide de la BD ORTHO actuelle. Selon la disponibilité, un Modèle Numérique de Surface (MNS) actuel issu de couples stéréoscopiques ou de relevés LiDAR HD IGN (en cours) pourra être intégré à la démarche dans un cadre multimodal (Audebert et al. 2018). Une réflexion sera à mener pour décider de la meilleure stratégie à adopter pour assurer la cohérence entre les dates et limiter la détection de faux changements (analyse disjointe, analyse rétrospective, analyse conjointe). Des techniques de colorisation d'images anciennes pourront aussi être envisagées pour faciliter la reconnaissance et améliorer les performances (Zhang et al. 2016, Ratajczak et al. 2019, Poterek et al. 2020).
La méthode sera mise en œuvre sur les sites d'étude du projet et validée en utilisant une couche cartographique de référence déjà disponible (thèse en cours de Déborah Birre). Par la suite, il s'agira d'étudier la possibilité de l'intégrer à la chaîne de traitement Iota2 pour déployer la méthode sur de large étendues.
Références en lien avec le sujet :
Audebert, N., Le Saux, B., & Lefèvre, S. (2018). Beyond RGB: very high resolution urban remote sensing with multimodal deep networks. ISPRS Journal of Photogrammetry and Remote Sensing, 140.
Dias, M, Monteiro, J, Estima, J, Silva, J, Martins, B. (2020). Semantic segmentation and colorization of grayscale aerial imagery with W-Net models. Expert Systems. 37:e12622.
Hufkens, K.; de Haulleville, T.; Kearsley, E.; Jacobsen, K.; Beeckman, H.; Stoffelen, P.; Vandelook, F.; Meeus, S.; Amara, M.; Van Hirtum, L.; Van den Bulcke, J.; Verbeeck, H.; Wingate, L. (2020). Historical aerial surveys map long-term changes of forest cover and structure in the Central Congo Basin. Remote Sens., 12, 638.
Le Bris A., Giordano S., Mallet C. (2019). CNN semantic segmentation to retrieve past land cover out of historical orthoimages and DSM: first experiments. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, V-2-2020, pp 1013– 1019.
Poterek Q., Herrault P.-A., Skupinski G., Sheeren D. (2020). Deep learning for automatic colorization of legacy grayscale aerial photographs. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 2899-2915.
Ratajczak R., Crispim-Junior C. F., Faure E., Fervers B. and Tougne L. (2019). Automatic land cover reconstruction from historical aerial images: An evaluation of features extraction and classification algorithms, IEEE Transactions on Image Processing, vol. 28, no. 7, pp. 3357-3371.
Zhang R., Isola P., Efros A.A. (2016) Colorful image colorization. In: Leibe B., Matas J., Sebe N., Welling M. (eds) Computer Vision – ECCV 2016. ECCV 2016. Lecture Notes in Computer Science, vol 9907.

Activités

- Etat de l'art sur les approches d'apprentissage profond pour la classification de photographies aériennes historiques
- Constitution d'une base de références (annotation d'imagettes) pour l'apprentissage automatique en s'appuyant également sur une base existante si elle s'avère pertinente (voir HistAerial ; Ratajczak et al. 2019)
- Choix d'une architecture du modèle ; apprentissage et prédiction ; validation (sur les sites d'étude du projet)
- Adaptation itérative de la démarche selon les résultats obtenus et la diversité des sources disponibles (images N&B, RGB, IRC, MNS)
- Rédaction d'une publication dans une revue internationale à comité de lecture
- Mise à disposition des codes et de la base de référence à la communauté dans une démarche de science ouverte

La personne recrutée bénéficiera d'interactions avec une autre post-doctorante associée à un autre projet de recherche (ANR Hiatus) mais sur un sujet proche. Elle sera aussi amenée à collaborer avec une doctorante qui travaille sur les sites d'étude du projet SpatialTreeP. Elle participera naturellement aux différents séminaires prévus avec le consortium et pourra prendre part aux relevés sur le terrain.

Compétences

Formation et expérience professionnelle souhaitée :
Doctorat en géomatique, télédétection ou traitement du signal et des images avec de fortes compétences en apprentissage machine. Une affinité pour les questions d'écologie, de biogéographie, ou pour les milieux de montagne serait très appréciée. Un niveau Ingénieur/Master 2 est possible selon l'expérience technique sur le sujet.
Les compétences attendues sont :
- Très bonne connaissance de l'apprentissage machine et si possible, une expérience sur les techniques d'apprentissage profond
- Très bonne connaissance des méthodes de traitement d'images classique (filtrage, segmentation, mosaïquage…)
- Très bonne maîtrise du langage Python et des librairies associées (Scikit-Learn, Keras) et des outils de versionnement (type Git)
- Maîtrise d'un logiciel SIG (QGIS ou ArcGIS Pro)
- Rigueur, autonomie, ouverture d'esprit et prise d'initiatives
- Aptitude à s'intégrer dans un consortium pluridisciplinaire
- Bonne capacité de rédaction et de synthèse, en particulier en tant que premier auteur dans des revues de niveau international en langue anglaise.

Contexte de travail

La personne recrutée travaillera dans le cadre du projet ANR SpatialTreeP, porté par l'UMR LADYSS. Ce projet vise à cartographier la dynamique de la limite supérieure de la forêt subalpine dans les Pyrénées depuis les années 1950 et à identifier ses principaux facteurs. Le consortium du projet est principalement composé de géographes, géomaticiens et écologues.

La personne recrutée dépendra du LADYSS, UMR CNRS multisite dont le siège est basé à Nanterre. En pratique, elle travaillera au quotidien sur le site de Paris 8, et sera amenée à faire des déplacements réguliers à Toulouse (laboratoire DYNAFOR).
- Mise à disposition d'un ordinateur portable
- Accès aux différents moyens de laboratoire DYNAFOR en tant que personnel PEPS (restaurant d'entreprise, conduite des véhicules de service dans le cadre des missions, calculateur…)

La personne sera principalement encadrée par David Sheeren (UMR DYNAFOR) et Thierry Feuillet (UMR LADYSS) avec une participation de Vincent Thierion (UMR CESBIO).

Contraintes et risques

Possibilité de participation à des missions de terrain en montagne

On en parle sur Twitter !