Ingénieur de recherche gestion de base de donnée, modélisation et machine learning (h/f)

Informations générales

Intitulé de l'offre : Ingénieur de recherche gestion de base de donnée, modélisation et machine learning (H/F)
Référence : UMR5126-VINRIV-001
Nombre de Postes : 1
Lieu de travail : TOULOUSE
Date de publication : vendredi 13 juin 2025
Type de contrat : IT en contrat CDD
Durée du contrat : 18 mois
Date d'embauche prévue : 1 septembre 2025
Quotité de travail : Complet
Rémunération : entre 2847,42 et 3005,46€ brut mensuel selon expérience
Niveau d'études souhaité : BAC+5
Expérience souhaitée : Indifférent
BAP : E - Informatique, Statistiques et Calcul scientifique
Emploi type : Ingenieure ou ingenieur en calcul scientifique

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.

Compétences

- Bonne connaissance du langage python
- Bases de physique du signal (optionnel)
- Compétences en développement logiciel et en manipulation de données
- Connaissances de bases en machine learning

Contexte de travail

Le travail s’inscrit dans le contexte de préparation des futures missions satellites thermiques, notamment TRISHNA (lancement prévu en 2026) porté par le CNES (France) et l’ISRO (Inde). Le contrat est issu d’un financement de projet auprès du CNES mais porté administrativement par le CNRS au CESBIO (UMR5126).
L’estimation de la température de surface dépend pour partie de la connaissance de la valeur de l’émissivité de cette surface. L’objectif est de rendre plus disponible la possibilité de générer des émissivités de surface synthétique à partir de mesures en laboratoire avec un outil scientifiquement validé et des bases de données de référence.
Cet outil de simulation sera ensuite utilisé pour générer des bases de données de comportement radiométrique des surfaces dans différentes conditions. Ces simulations seront alors exploitées par des approches de machine learning pour répondre à un problème bien connu de sous-détermination du système d’équation pour séparer température et émissivité dans la gamme infra-rouge thermique.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Contraintes et risques

Le poste se situe dans un secteur zone à régime restrictif (ZRR), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.