2x Posizioni di Dottorato nell'ambito del progetto SNSF - From Alps to Arctic: Satellite-based Assessment of Forest Canopy Height across Decades - 80 %

L'Università di Zurigo, la più grande università della Svizzera, offre una gamma di posizioni attraenti in varie aree tematiche e campi professionali. Con circa 10.000 dipendenti e attualmente 12 percorsi di apprendistato professionale, l'Università offre un ambiente di lavoro stimolante basato sulla ricerca all'avanguardia e su un'istruzione di alto livello. Metti il tuo talento e le tue competenze al lavoro con noi. Scopri di più su UZH come datore di lavoro! ### Le tue responsabilità All'interno del progetto SNSF, l'EcoVision Lab si concentrerà sull'avanzamento della stima dei parametri forestali, in particolare dell'altezza della chioma, al livello più dettagliato. In qualità di candidato al dottorato, svilupperai nuovi metodi di deep learning e computer vision per trasformare immagini di telerilevamento su larga scala di diverse missioni satellitari in mappe dell'altezza della chioma, e ulteriormente in parametri forestali e nel loro cambiamento nel tempo. La tua ricerca includerà: • Sviluppo di modelli di deep learning per l'analisi di serie temporali di immagini satellitari e domain adaption • Sviluppo di modelli di deep learning per la super-risoluzione (guidata) di immagini satellitari storiche • Produzione di stime di incertezza calibrate per tutti gli output dei modelli • Addestramento di modelli su fonti di dati eterogenee (ad es. Landsat, Sentinel-2, SPOT, Corona) ed esplorazione di combinazioni multimodali di diverse fonti di dati. Libertà di ricerca e innovazione metodologica Il progetto offre una significativa libertà di esplorare direzioni metodologiche d'impatto nell'IA moderna, tra cui: self-supervised learning, multimodal learning, (guided) super-resolution, uncertainty estimation, time-series regression. Puntiamo a pubblicazioni ad alto impatto sia in sedi di machine learning (ad es. CVPR, ICCV, ECCV, ICLR, NeurIPS) sia in riviste interdisciplinari leader come Remote Sensing of Environment, ISPRS Journal e Nature Sustainability. Perché unirsi? Queste 2x posizioni di dottorato offrono: • Diventare parte dell'EcoVision Lab, un luogo vibrante, eccitante e divertente per fare ricerca sul deep learning applicato all'ecologia • Strette collaborazioni con gruppi di ricerca leader nel machine learning, computer vision, data science, remote sensing e interpretazione di immagini di telerilevamento storiche. • Un'opportunità unica di combinare la ricerca all'avanguardia sull'IA con un impatto ambientale reale per un argomento di ricerca ancora completamente inesplorato • Accesso a diversi archivi di immagini satellitari storiche su larga scala Il tuo profilo Cerchiamo candidati altamente motivati ed entusiasti di spingere i confini del machine learning contribuendo a un significativo impatto ambientale. Sei curioso, rigoroso e ami sviluppare sia nuove idee che software di ricerca di alta qualità. Sei a tuo agio nell'affrontare problemi impegnativi e nel collaborare attraverso diverse discipline. Un candidato ideale avrà: • Un eccellente Master (M.Sc. o equivalente) in Informatica, Machine Learning, Data Science o un campo strettamente correlato (ad es. Ingegneria Elettrica, Matematica Applicata) • Una solida base in matematica e machine learning • Una vasta esperienza di programmazione, preferibilmente in Python • Una forte esperienza pregressa in deep learning e computer vision • Interesse nell'applicare metodi ML avanzati a dati ecologici e geospaziali • La fluidità in inglese (scritto e parlato) è richiesta L'esperienza con argomenti come self-supervised learning, domain adaption, transfer learning, multimodal learning, uncertainty estimation è un plus - ma non è strettamente richiesta. Ci impegniamo a costruire un ambiente di ricerca diversificato e inclusivo. Incoraggiamo le candidature di candidati di ogni background e diamo particolare accoglienza a coloro che potrebbero non soddisfare ogni criterio elencato ma portano forte motivazione e potenziale. Nicole Trolese HR Manager nicole.trolese@uzh.ch