L'IRD est un organisme de recherche public français pluridisciplinaire qui, depuis près de 80 ans, s'engage dans des partenariats équitables avec les pays du Sud et dans les Outre-mer français.

Acteur de l'agenda international pour le développement, ses priorités s'inscrivent dans la mise en œuvre des Objectifs de développement durable (ODD).

Ensemble, scientifiques et partenaires de l'Institut proposent des solutions concrètes pour répondre aux défis globaux auxquels les sociétés et la planète font face. Cette relation gagnante-gagnante fait de la science et de l'innovation des leviers majeurs du développement.

L'Institut est placé sous la double tutelle du ministère chargé de l'Enseignement supérieur et de la Recherche et de celui chargé des Affaires Étrangères.

L’Unité Mixte de Recherche – 234 GET, Géosciences Environnement Toulouse est un laboratoire public de recherche fondamentale et appliquée dans le domaine des Géosciences et des Sciences de l’Environnement. Il est membre de l’Observatoire Midi- Pyrénées et regroupe plus de 250 personnes. Le GET est une Unité Mixte de Recherche (UMR) avec quatre tutelles : CNRS,IRD, Université de Toulouse  et CNES.

Ses activités de recherche peuvent se découper en quatre grands champs de recherche : (1) l’observation spatiale et in situ de la Terre, (2) l’évolution et la dynamique de la Terre, (3) les interactions fluides-roches-vivants, et (4) les activités d’origine anthropique et polluants (air, eaux, sols et chaînes trophiques). Le GET est le seul laboratoire de recherche de la région Occitanie travaillant en Sciences de la Terre et en Sciences de l’Environnement. Il est au cœur de l’axe stratégique « Environnement – Ressources » du schéma régional de l’enseignement supérieur, de la recherche et de l’innovation (SRESRI) défini par la Région Occitanie. Il est un pilier de la politique de site toulousaine au travers du pôle « Univers, Planètes, Environnement et Espace » (UPEE) de l’Université de Toulouse. Le GET contribue également à l’enseignement dans le champ disciplinaire « Géosciences » de l’université de Toulouse.

Les masses d'eau continentales, y compris les rivières, les lacs et les réservoirs sont des composantes essentielles des écosystèmes terrestres. La qualité de ces eaux intérieures touche à tous les aspects du bien-être des écosystèmes et de l'homme tels que la santé, les activités économiques, la santé des écosystèmes, la biodiversité et le cycle global du carbone.  

Les nouveaux capteurs de télédétection optique permettent de surveiller la qualité de l'eau à large échelle avec une haute résolution temporelle. Ces images offrent des capacités sans précédent pour observer, comprendre et anticiper la dynamique des variables de qualité des eaux telles que la turbidité, la chlorophylle, les matières organiques dissoutes colorées ou encore les particules solides en suspension.

Avec l’arrivée des données Sentinel-2, Sentinel-3 et les progrès récents de l'intelligence artificielle (IA), il existe une opportunité inédite de développer de nouvelles méthodologies d'apprentissage profond guidées par la physique pour l’estimation des propriétés optiques inhérentes de l’eau. Plus précisément, des nouvelles méthodologies d'apprentissage auto-supervisées sous contrainte physique peuvent être développées pour estimer les distributions de probabilité des paramètres intrinsèques du modèle physique décrivant l’interaction de la lumière avec les composants optiquement actifs dans la colonne d’eau.  

Dans ce cadre, votre mission principale sera développer des méthodologies génériques d'apprentissage profondes guidées par la physique pour l’estimation des paramètres de qualité de l’eau par télédétection satellite.

Plus précisément, nous envisageons de développer une méthodologie d'apprentissage de représentation non supervisée exploitant des données multimodales satellitaires pour déduire les distributions de probabilité des paramètres intrinsèques dans les équations simplifiées issues de la modélisation par transfert radiatif de l’interaction lumière-eau.

Les algorithmes ainsi développés seront validés en les confrontant à un grand nombre de données in-situ acquises lors de diverses campagnes de terrain couvrant des zones géographiques variées ou encore à des bases de données globales en libre accès dans la littérature.

Dans ce cadre vos activités seront les suivantes :

• Développer de nouveaux algorithmes de deep learning pour l’inversion de variables de qualité des eaux. 

• Intégrer des grands jeux de données satellitaires (séries temporelles, multiples régions). 

•  Valider et analyser les résultats avec les bases de données in situ en fonction des variables observées décrivant la qualité des eaux.  

• Publier les résultats de recherche dans des revues internationales. 

• Présenter les travaux lors de conférences scientifiques.

Votre future équipe

Vous rejoindrez l’équipe « HYDRO-BIOGÉOCHIMIE DE LA ZONE CRITIQUE »

ainsi que l’axe scientifique « Observations, Données & Modèles pour les Géosciences et l’Environnement ».

Vous travaillerez en collaboration étroite avec l'équipe IA-CESBIO impliqué dans la chaire Releo-ANITI.

L’équipe au sein du GET est spécialiste du développement de techniques de suivi de la qualité des eaux par satellite et collabore avec le CNES pour la mise en place de chaînes de traitement automatisées. Vous évoluerez dans un contexte très interdisciplinaire et dynamique. 

 Vous avez développé les compétences suivantes :

• Bonnes compétences en programmation (par exemple, Python).
• Anglais niveau C1-C2 écrit et oral.

Une expérience dans un ou plusieurs des domaines suivants est vivement souhaitée : problèmes inversés, imagerie satellitaire, télédétection, observation de la Terre.

Vous faites preuves des qualités humaines suivantes :

• Gout pour le travail en équipe dans un contexte interdisciplinaire.
• Autonomie et capacité à mener des recherches indépendantes.
• Aptitudes à la communication, très bon sens du relationnel (Interactions avec partenaires institutionnels).

Vous êtes titulaire d’un diplôme de doctorat en apprentissage automatique, mathématiques appliquées ou informatique (ou dans un domaine similaire).