Missions

Ce poste va consister à utiliser des méthodes de « deep learning », notamment des CNNs et « transformers » pour le traitement des données issues de l’instrument IASI du CNES. Ces observations sont des mesures de température de brillance observées par l’instrument IASI en orbite, un spectre de plus de 8000 canaux donne des informations à plusieurs longueurs d’onde dans l’infrarouge, pour estimer des variables environnementales comme les profils atmosphériques de température et vapeur d’eau, où la température de surface. C’est donc la résolution d’un problème inverse, et nous souhaitons utiliser pour cela un modèle de réseaux de neurones. Notre groupe utilise ce type de méthodes depuis 30 ans, le but est ici d’expérimenter des techniques récentes, qui pourront exploiter les patterns spatiaux, gérer les données manquantes, estimer les incertitudes

Activités

Ce type de travail est toujours caractérisé par les mêmes étapes :
• Compréhension et construction de bases de données lourdes et complexes, d’origine diverse, qu’il faut colocalisées et projeter sur une grille commune.
• Des tests de divers modèles doivent ensuite être fait, avec la définition de métriques pour diagnostiquer leur qualité. On s’oriente ici vers des méthodes de deep learning, à partir d’une expérience importante dans le groupe, mais en explorant les méthodes récentes les plus performantes. Un œil critique, une maitrise parfaite des outils pour développer soi-même des modèles particuliers, sont nécessaire pour ce travail.
• L’analyse des résultats est ensuite poursuivie pour quantifier les erreurs, analyser les avantages/inconvénients de chaque modèle, et éventuellement utiliser cette connaissance pour réitérer sur le développement des modèles.
• Une phase de reporting est ensuite nécessaire, pour faire des supports de présentation, écrite un rapport et un article scientifique (anglais requis)

Compétences

Les compétences requises sont :
• Un très bon niveau en programmation, en Matlab et Python
• Une très bonne maitrise des données satellites, en télédétection, en géosciences
• Une maitrise des outils de mathématiques appliquées, notamment en statistique et machine learning

Contexte de travail

Ce travail est financé par le CNES, dans le cadre d’un soutien aux laboratoires pour développer les algorithmes de traitement des données satellite de nouvelle génération. De nouvelles missions spatiales arrivent (IASI-NG, MSG third generation) et il faut développer des méthodes innovantes et performantes capables de traiter une masse de données de plus en plus importante, qui sont de plus en plus complexes.
Le post-doc travaillera sous la responsabilité de Filipe AIRES, ainsi que Catherine Prigent, dans le pôle « Planétologie » du LIRA. Il sera entouré de plusieurs chercheurs/doctorants qui travaillent dans le domaine de la télédétection satellite. Le travail sera effectué sur le site de Paris de l’Observatoire de Paris.