Ingénieur.e – traitement automatique pour des données de télédétection et textuelles H/F

Un des grands challenges de la surveillance en santé végétale est de prendre en compte de nombreux dangers sanitaires pesant sur de nombreuses espèces hôtes et d’immenses espaces géographiques, et ce de manière à détecter le plus précocement possible les désordres sanitaires ou évaluer le plus précisément possible l’état sanitaire du territoire. Actuellement, la Plateforme ESV utilise des méthodes basées sur des données de terrain, des évaluations du risque et la veille sanitaire médiatico-scientifique pour prioriser les bioagresseurs et les zones à surveiller. Dans cette optique, de nouvelles méthodes utilisant des données de télédétection (images, satellites, drones, avions) ou des données textuelles (littérature grise, réseaux sociaux, sources officielles, littérature scientifique) sont développées par des équipes de recherche et pourraient permettre d’élargir le spectre de la surveillance en santé végétale.

Votre mission principale sera de mettre en œuvre des algorithmes de traitement de données de télédétection et de données textuelles pour répondre aux objectifs d’amélioration (i) des dispositifs de surveillance d’organismes nuisibles traités par la plateforme (en priorité le nématode du pin) et (ii) de la VSI (afin d’accroître le nombre d’organismes traités). En particulier, des algorithmes d’apprentissage automatique supervisés et non supervisés (semi-profonds ou profonds) pourront être appliqués aux jeux de données existants.  Les cas d'études vous sont présentés dans l'annexe de cette offre.

Plus concrètement, vous serez amené.e à :

-Vous approprier les cadres d’étude de votre mission :

* La surveillance des organismes nuisibles ;
* La veille sanitaire internationale ;
* Certains des outils et méthodes déjà utilisés par la plateforme sur ces sujets ;
* Récupérer et vous approprier les données de surveillance, les données télédétection et celles de la VSI ;
* Entraîner et évaluer des modèles d’apprentissage automatique selon un protocole établi (expériences, critères d’évaluation...) pour chaque cas d’étude ;
*Mettre en production les modèles qui seront sélectionnés sur la base de leur performance dans le SI de la Plateforme ESV ;
*Proposer une méthodologie permettant de surveiller l’évolution des performances des modèles (définition d’indicateurs de performance et implémentation dans le SI) ;
*Proposer un protocole de ré-entrainement des modèles lorsque de nouvelles données sont disponibles.