Ingénieur de recherche gestion de base de donnée, modélisation et machine learning (H/F)

Missions :
Phase 1 : Constitution d’une base de données d’émissivité spectrale
- Compiler les bases de données de spectres de réflectances et transmittances de matériaux naturels (végétaux et organiques) couvrant le domaine visible et thermique accessible sur le web ou disponibles à la communauté scientifique. En définir les droits. Organiser la base en typologies.
- Développer un simulateur de spectres s’appuyant sur la base rassemblée. Tester et documenter.
- Mettre à disposition le simulateur auprès de la communauté scientifique sur un entrepôt documenté.
- Mettre à disposition ou documenter les accès de la base de données compilée.

Phase 2 : Séparation Température-Emissivité dans l’infra-rouge thermique
- Bibliographie sur les approches de machine learning
- Réaliser un set de simulations end-to-end en s’appuyant sur le modèle SAIL(-thermique), constituée en entrée de réflectances et d’émissivités spectrales représentatives des surfaces terrestres et en sortie de luminances de surface calculées pour une gamme de températures de surface et pour différentes bandes spectrales de radiomètres haute résolution en activité (ex : TIR 1 à 5 TRISHNA, ECOSTRESS, TIR1 & 2 Landsat).
- Réaliser l’apprentissage au moyen de réseaux de neurones (ou autre approche de ML) sur ce set de simulations pour les différentes configurations des capteurs à haute résolution infrarouge.
- Évaluer les performances (précision, temps) de l’approche par apprentissage en la confrontant aux 2 principales méthodes de séparation que sont TES et DirectTES sur un jeu de données synthétique simulée par le logiciel DART représentant une scène constituée d’éléments urbain, agricole, forestier et eau qui sera construite pour être la plus réaliste
et exhaustive possible en terme de diversité.
Activités :
- Développer un outil (script python documenté) de génération de spectres de réflectances optique et thermiques.
- Trouver une organisation optimale (format adapté) pour accéder à la base de données de spectres compilés et visualiser les spectres générés par modélisation.
- Ecrire un rapport documenté et déposer sur un entrepôt les bases compilées (si droits possible), déposer l’outil documenté de génération des spectres sur un dépôt libre (type github).
- Mettre en place et réaliser un plan de simulations de scènes de télédétection dans le domaine visible et thermique à l’aide du modèle SAIL-thermique, en s’appuyant sur la base de données de réflectances et d’émissivités établie précédemment.
- Utiliser une approche de machine learning pour relier observations satellites à caractéristiques (réflectances, émissivité et température) de la surface.
- Réaliser l’intercomparaison de plusieurs approches de séparation température/émissivité incluant l’approche de machine learning mise en place. Des simulations de scènes au moyen du logiciel DART (CESBIO) serviront de référence.
Contexte de travail :
Le travail s’inscrit dans le contexte
Voir plus sur le site emploi.cnrs.fr...