2x Postes de doctorat dans le cadre du projet SNSF - From Alps to Arctic: Satellite-based Assessment of Forest Canopy Height across Decades - 80 %

L'Université de Zurich, la plus grande université de Suisse, propose une gamme de postes attractifs dans divers domaines thématiques et professionnels. Avec environ 10 000 employés et actuellement 12 filières d'apprentissage professionnel, l'Université offre un environnement de travail inspirant sur la recherche de pointe et une éducation de premier plan. Mettez votre talent et vos compétences au service de notre institution. Découvrez-en plus sur l'UZH en tant qu'employeur ! ### Vos responsabilités Dans le cadre du projet SNSF, l'EcoVision Lab se concentrera sur l'avancement de l'estimation des paramètres forestiers, en particulier la hauteur de la canopée, au niveau le plus détaillé. En tant que doctorant, vous développerez de nouvelles méthodes de deep learning et de computer vision pour transformer l'imagerie de télédétection à grande échelle de différentes missions satellitaires en cartes de hauteur de canopée, et plus loin, en paramètres forestiers et en leur évolution au fil du temps. Votre recherche comprendra : • Le développement de modèles de deep learning pour l'analyse de séries temporelles d'images satellites et l'adaptation de domaine (domain adaption) • Le développement de modèles de deep learning pour la super-résolution (guidée) d'imagerie satellite historique • La production d'estimations d'incertitude calibrées pour toutes les sorties de modèles • L'entraînement de modèles sur des sources de données hétérogènes (par exemple, Landsat, Sentinel-2, SPOT, Corona) et l'exploration de combinaisons multimodales de différentes sources de données. Liberté de recherche et innovation méthodologique Le projet offre une liberté significative pour explorer des directions méthodologiques percutantes dans l'IA moderne, notamment : l'apprentissage auto-supervisé (self-supervised learning), l'apprentissage multimodal, la super-résolution (guidée), l'estimation de l'incertitude, la régression de séries temporelles. Nous visons des publications à fort impact tant dans les conférences de machine learning (par exemple, CVPR, ICCV, ECCV, ICLR, NeurIPS) que dans les revues interdisciplinaires de premier plan telles que Remote Sensing of Environment, ISPRS Journal et Nature Sustainability. Pourquoi nous rejoindre ? Ces 2x postes de doctorat offrent : • De faire partie de l'EcoVision Lab, un lieu dynamique, passionnant et amusant pour mener des recherches sur le deep learning appliqué à l'écologie • Des collaborations étroites avec des groupes de recherche de premier plan en machine learning, computer vision, science des données, télédétection et interprétation d'images de télédétection historique. • Une opportunité unique de combiner la recherche de pointe en IA avec un impact environnemental réel pour un sujet de recherche encore totalement inexploré • Un accès à divers archives d'images satellites historiques à grande échelle Votre profil Nous recherchons des candidats hautement motivés qui sont enthousiastes à l'idée de repousser les limites du machine learning tout en contribuant à un impact environnemental significatif. Vous êtes curieux, rigoureux et appréciez le développement de nouvelles idées ainsi que de logiciels de recherche de haute qualité. Vous êtes à l'aise pour aborder des problèmes complexes et collaborer de manière interdisciplinaire. Un candidat idéal aura : • Un excellent Master (M.Sc. ou équivalent) en informatique, machine learning, science des données ou dans un domaine étroitement lié (par exemple, génie électrique, mathématiques appliquées) • Une base solide en mathématiques et en machine learning • Une grande expérience de la programmation, de préférence en Python • Une solide expérience préalable en deep learning et computer vision • Un intérêt pour l'application de méthodes de ML avancées aux données écologiques et géospatiales • La maîtrise de l'anglais (écrit et parlé) est requise L'expérience avec des sujets tels que l'apprentissage auto-supervisé, l'adaptation de domaine, l'apprentissage par transfert (transfer learning), l'apprentissage multimodal, l'estimation de l'incertitude est un plus - mais n'est pas strictement requis. Nous nous engageons à construire un environnement de recherche diversifié et inclusif. Nous encourageons les candidatures de candidats de tous horizons et accueillons particulièrement ceux qui pourraient ne pas répondre à tous les critères énumérés mais qui apportent une forte motivation et un fort potentiel. Nicole Trolese HR Manager nicole.trolese@uzh.ch