Présentation d'INRAE

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche placé sous la double tutelle du ministère en charge de l’agriculture et du ministère en charge de la recherche. 

C'est un acteur majeur de la recherche et de l’innovation créé le 1er janvier 2020. Institut de recherche finalisé issu de la fusion entre l’Inra et Irstea, INRAE rassemble une communauté de 12 000 personnes, avec 268 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. 

L’institut se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal, et se classe 11ème mondial en écologie-environnement. Face à l’augmentation de la population, au changement climatique, à la raréfaction des ressources et au déclin de la biodiversité, INRAE construit des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

Environnement de travail, missions et activités

Une partie des recherches menées au sein de l’unité mixte de recherche (UMR) TETIS porte sur la conception, le développement et l’utilisation de techniques d’IA adaptées à l’analyse de données de télédétection pour répondre aux enjeux thématiques portés par les organismes de tutelle (CIRAD, INRAE, AgroParisTech et CNRS). Pour renforcer ces recherches et conserver un positionnement scientifique original, il est important de consolider les capacités de l'unité sur cet axe stratégique et novateur.
Vous serez associé.e à l’équipe ATTOS (Acquisition, Télédétection, Traitement et Observations Spatiales). Le but de l’équipe est d’éclairer la compréhension des systèmes et la prise de décision territoriale dans un contexte de transition agro écologique, démographiques, et de développement durable à travers l’exploitation de données de télédétection et observation de la Terre. Vous renforcerez l’axe de l’équipe associé à la conception, au développement et à l'utilisation des techniques d’IA pour l’analyse de données de télédétection, au service des différentes applications/thématiques au coeur de l’équipe et de l’unité (i.e. occupation du sol, cartographie de ressources naturelles, caractérisation de la biodiversité, extraction de variables biophysiques, suivi des milieux forestiers, étude de l’artificialisation, etc.) ainsi qu'en collaboration avec les collègues chercheurs et ingénieurs dans un contexte pluridisciplinaire.

Vos développements scientifiques seront orientés vers les paradigmes émergents de machine learning et computer vision comme : (i) Les méthodes de transfert spatial et/ou temporel des modèles d’IA (transfer learning et domain adaptation) pour l'adaptation à la diversité des milieux (écosystèmes, climat, etc.) et à la variabilité temporelle; (ii) L'utilisation conjointe de sources différentes de données de télédétection (multi-modal et cross-modal learning) en tenant compte de la variabilité en termes de disponibilité de ces sources (sources indisponibles à l'inférence, synthèses, etc.); (iii) La disponibilité limitée et la qualité/fiabilité de données de calibration (weakly-supervised learning) et (iv) L'émergence de besoins concernant l’interprétabilité des modèles d’apprentissage automatique (explainable AI) et leur couplage avec des modèles physiques sous-jacents (physical-based machine learning) pour l'analyse de données d’observation de la terre.

Par votre travail, vous contribuerez au positionnement de l’unité dans le domaine de recherche émergeant à la croisée entre IA et télédétection. Ce domaine de recherche en plein essor montre un haut potentiel de valorisation scientifique, avec la possibilité d'avancées majeures bénéficiant à ce nouveau domaine mais aussi directement aux thématiques/applications concernées.

Formations et compétences recherchées

Vous êtes titulaire d’une thèse de doctorat, de préférence en informatique ou intelligence artificielle.
Les compétences recherchées couvrent la maîtrise des méthodologies d’apprentissage automatique (apprentissage supervisé, semi-supervisé, non supervisé), la connaissance et l'expérience dans les paradigmes modernes d’apprentissage profond (domain adaptation, transfer learning, weakly supervised learning et knowledge distillation), et le développement de ces derniers dans un cadre d’analyse et traitement du signal spécifique aux données images (computer vision).
Des experiences déjà avérées dans l'analyse de données satellitaires et d'observation de la Terre en lien avec
le domaine de l'agriculture ou de l'environnement seraient un plus.
La mai?trise de l'anglais est souhaitée ainsi qu'une expérience internationale de longue durée : les lauréats qui n'en auraient pas encore eu seront fortement incités à réaliser un séjour à l'étranger co-construit avec l’équipe d’accueil dans les 3 années suivant l’année de stage.