Description de l’offre:
L’ensemble des travaux prévus dans le cadre du présent CDD vont être réalisés dans le cadre du projet BioEOS (https://www.spaceclimateobservatory.org/bioeos). Ce projet, bénéficiant du label SCO (Space Climate Observatory) et soutenu par le CNES, propose de développer un outil d’observation permettant de fournir des données fiables et pertinentes reflétant la variabilité spatio-temporelle de la biodiversité à une large échelle. Plus précisément, BioEOS se fixe les objectifs suivants :
- Caractériser la dynamique spatio-temporelle de la biodiversité en analysant les séries temporelles d’images satellitaires multi-capteurs, notamment Pléiades et Sentinel. Le traitement de ces images sera enrichi par l’intégration d’observations in situ accessibles via des réseaux de surveillance, des bases de données nationales et mondiales et des projets locaux.
- Cartographier les changements et produire des indicateurs pour rendre compte de l’impact des changements globaux sur la dynamique spatio-temporelle de l’état de la biodiversité côtière.
Outre la nécessité de relier les indicateurs écologiques aux pressions anthropiques, la détection de changements brusques, suite à des événements spécifiques (cyclones, vagues de chaleur, changements de salinité des eaux, changements du niveau de la mer, événements géologiques), est également un enjeu clé pour les différentes régions et acteurs nationaux impliqués dans la surveillance à grande échelle des zones côtières. L’ambition de BioEOS est de fournir des informations génériques qui pourraient être utilisées pour répondre à une variété de besoins scientifiques et de conservation.
Missions principales
L’ingénieur.e recruté.e aura comme tâches principales d’estimer la composition des habitats benthiques et la bathymétrie, à partir d’images satellitaires multispectrales (Sentinel-2 et Pléiades) et hyperspectrales (ENMAP, DESIS et PRISMA). Ces travaux s’inscrivent principalement dans le cadre du Work Package WP3 du projet BIOEOS « Feature extraction ». L’estimation pourra se faire par correction de l’atténuation de l’eau et classification (supervisée ou non supervisée « classiques » ou basées sur des réseaux de neurones (CNN/Unet)) ou par inversion de modèle de transfert radiatif (type modèle de Lee). Il/Elle pourra utiliser une méthode de réseaux de neurones entraînés avec le modèle direct, réfléchir à des stratégies d’amélioration de l’algorithme d’optimisation (précision, conditionnement, temps de calcul), utiliser un émulateur du modèle de Lee et des outils de deep learning pour la résolution de problèmes inverses (inversion directe, algorithm unrolling, deep image prior…). Des approches basées sur la fusion d’images pourraient être considérées pour analyser conjointement des acquisitions multicapteurs.
Les compétences qui sont recherchées concernent le développement algorithmique en particulier en traitement de signal/images en machine/deep learning, en fusion de donnée, en gestion et traitement des données en lien avec des problématiques de géomatique. Des aptitudes pour le partage de connaissances et le travail en réseau et en distanciel seront également appréciées. Il ou elle sera également amené.e à déployer les chaines de traitement mises en place par l’équipe projet via e supercalculateur du Pôle de calcul et de données de l’Ifremer.
L’ingénieur.e recruté.e réalisa les actions relatives à ses missions au sein du LEBCO. Il/elle sera également amené.e à travailler dans les locaux de l’IMT Atlantique (Dept Mathematical and Electrical Engineering), situé également sur le site de Plouzané.
Champs relationnel
En interne : Sous la responsabilité du responsable LEBCO et en étroite collaboration avec la coordinatrice du projet BioEOS, Il/elle interagira avec les chercheurs, ingénieurs et techniciens des laboratoires de l’Ifremer impliqués dans le projet (DOI, LOPS, VIGIES, PELAGOS).
En externe : le/la candidat(e) interagira avec l’ensemble des partenaires impliqués dans le projet BioEOS (GipsaLab, l’IFRECOR, l’INRAE, l’IMT Atlantique, l’IRD, le SHOM, Sorbonne Université, l’Université de Toulon, l’Université de La Réunion, l’Université de Mayotte.)
Profil recherché:
- Diplôme d’ingénieur ou Master 2 en traitement de données/signal ou équivalent.
Compétences mises en œuvre:
Compétences techniques / métiers (savoirs, savoirs faire) :
Le candidat devra avoir les compétences suivantes :
- Développement en Python pour le traitement d’images, en Machine/Deep Learning et en résolution de problèmes inverses en imagerie.
- Pratique des Paquets Python: numpy/scipy/matplotlib, scikit-learn, Pytorch ou Tensorflow… est fortement souhaitée
- Pratique des outils sous R est appréciée
- Capacité de rédaction et de synthèse orale et écrite.
- Anglais lu, écrit et parlé.
Qualités personnelles (savoir-être) :
- Rigueur et méthode, sens de l’organisation
- Intérêt pour le travail en équipe, grande ouverture d’esprit pour dialoguer avec les thématiciens des disciplines autres que la sienne.
- Esprit d’initiative, dynamisme et autonomie
- Connaissance de l’environnement marin souhaité
Pour postuler: rendez vous sur la page web dédiée.
Date de clôture de réception de candidatures : 01/10/2023
