Wissenschaftler für Geodaten

Orcrist baut unter Einsatz modernster Technologien eine Data-Intelligence-Plattform der nächsten Generation auf. Wir verarbeiten Daten im Petabyte-Bereich mit Abfragen in Sekundenbruchteilen. Unser Produkt ist eine Kubernetes-basierte Plattform, die als B2B-SaaS oder als selbstgehostete On-Prem-Lösung, einschließlich Air-Gap-Bereitstellungen, bereitgestellt wird. Wir ermöglichen Kunden aus den Bereichen Verteidigung, Strafverfolgung und Unternehmen, geschäftskritische Daten in verwertbare Informationen umzuwandeln.

Unternehmen

Orcrist entwickelt sichere Data-Intelligence-Software für Verteidigungs-, Strafverfolgungs- und Unternehmensteams. Unsere Sentinel-Plattform kombiniert Datenintegration, KI-gestützte Analyse und betriebliche Arbeitsabläufe. Das GEOINT-Team erweitert es um Geodatendienste, Fernerkundungsfunktionen und ein webbasiertes gemeinsames Betriebsbild.

Rolle

Entwickeln Sie Geodaten- und Fernerkundungsmethoden, die Bilder und Geodaten in zuverlässige Analyseprodukte umwandeln. Sie arbeiten in Python an der Änderungserkennung, Objekterkennung, Segmentierung sowie räumlichen und zeitlichen Analyse. Ihre Methoden umfassen klassisches maschinelles Lernen, Statistik- und Bildanalyse sowie Deep-Learning-Architekturen wie Vision Transformers (ViTs) und U-Nets und übertragen die Ansätze, die sich von der Erkundung über die Bewertung als nützlich erweisen, in wiederholbare Plattformfunktionen.

Die Arbeit umfasst offene Satellitenzeitreihen sowie kommerzielle optische, thermische und SAR-Bilder. Sie helfen bei der Auswahl geeigneter Daten und Methoden, legen fest, was die Ergebnisse unterstützen können, und arbeiten mit Ingenieuren zusammen, um sie den Analysten innerhalb von Sentinel zur Verfügung zu stellen.

Was Sie tun werden

• Entwickeln Sie Workflows zur Änderungserkennung, einschließlich Sentinel-2-Zeitreihen, und unterscheiden Sie bedeutsame Änderungen von Saisonalität, Wolken- und Schatteneffekten, Erfassungsunterschieden und Registrierungsfehlern.

• Erstellen und bewerten Sie Objekterkennungs-, Segmentierungs- und Klassifizierungsmethoden für Satellitenbilder, wobei Sie gegebenenfalls statistische Techniken, klassische Bildverarbeitung und maschinelles Lernen verwenden. Bewerten Sie hochmoderne Deep-Learning-Ansätze pragmatisch anhand einfacherer Basislinien, Wägegenauigkeit, Etikettenanforderungen, Generalisierung, Inferenzkosten und tatsächlicher Produktionsdurchführbarkeit.

• Bewerten Sie die Eignung verschiedener Sensoren, Auflösungen, Erfassungsbedingungen und Verarbeitungsstufen für jeden Anwendungsfall. Erweitern Sie die Methoden je nach Bedarf auf optische, multispektrale, thermische und SAR-Daten.

• Design-Vorverarbeitung und Merkmalsextraktion mit Dateningenieuren: Qualitätsmaskierung, Compositing, Co-Registrierung, Normalisierung, Spektralindizes und sensorspezifische Korrekturen.

• Kombinieren Sie Rasterausgaben mit Vektor- und Zeitdaten für räumliche Statistiken, Zonenanalysen, Anomalieerkennung und Vergleiche über Gebiete und Beobachtungszeiträume hinweg.

• Erstellen oder beschaffen Sie Referenzdatensätze und Bewertungsprotokolle. Nutzen Sie räumlich und zeitlich getrennte Validierung, messen Sie Fehlalarme und verpasste Erkennungen und untersuchen Sie die Leistung über Regionen und Sensoren hinweg.

• Liefern Sie nachvollziehbare Ergebnisse mit Quellenangaben, Zeitstempeln, Konfidenz- oder Unsicherheitsmaßen und dokumentierten Einschränkungen. Helfen Sie Analysten zu verstehen, wann ein Ergebnis einer genaueren Überprüfung bedarf.

• Paketgetestete Python-Methoden für wiederholbare Stapelverarbeitung oder Inferenz. Arbeiten Sie mit Daten- und Plattformingenieuren an Laufzeit, Speicher, Überwachung und Integration in Sentinel-Workflows.

Über dich

• Formale Universitätsausbildung in Geoinformatik, Fernerkundung, Erdbeobachtung, angewandter Mathematik, Informatik oder einer verwandten Disziplin, kombiniert mit umfangreicher praktischer Erfahrung in der Geoinformatik oder Fernerkundung.

• Starke Python- und wissenschaftliche Computerkenntnisse unter Verwendung von Tools wie NumPy, Pandas, SciPy, xarray, GeoPandas und Rasterio/GDAL.

• Praktische Erfahrung im maschinellen Lernen mit scikit-learn und PyTorch oder einem gleichwertigen Framework sowie TorchGeo oder verwandten Geodaten-Deep-Learning-Paketen, einschließlich Training, Evaluierung und Anpassung vorhandener Modelle.

• Ein solides Verständnis der Grundlagen der Fernerkundung: räumliche, spektrale, radiometrische und zeitliche Auflösung; Koordinatensysteme; Bildausrichtung; und Einschränkungen der Datenqualität.

• Erfahrung mit der Analyse von Satellitenbildern und mindestens einer relevanten Aufgabe wie Änderungserkennung, Segmentierung, Objekterkennung oder Landbedeckungsklassifizierung.

• Fundiertes statistisches Urteilsvermögen in Bezug auf Stichprobenentnahme, räumliche Autokorrelation, Datenverlust, Klassenungleichgewicht, Unsicherheit und Verallgemeinerung auf neue Orte und Erfassungsbedingungen.

• Ein ingenieurorientierter Forschungsansatz: versionierter Code und Daten, reproduzierbare Experimente, Tests und klare Erklärungen zur Leistung und zum Scheitern einer Methode.

• Klare Kommunikation auf Englisch sowohl mit technischen Kollegen als auch mit Fachspezialisten. Berechtigt, in Deutschland zu arbeiten.

Nice-to-haves

• Erfahrung in der Arbeit mit thermischen Infrarotbildern, der Verarbeitung und Analyse von SAR-Daten oder der Kombination von Beobachtungen mehrerer Sensoren. Tiefe Erfahrung in einer Modalität ist wertvoll.

• Ein Doktortitel in Geoinformatik, Fernerkundung, Erdbeobachtung oder einem verwandten Bereich.

• Erfahrung mit raumbezogenen Fundamentmodellen: Feinabstimmung von Modellen wie Prithvi oder TerraMind oder Verwendung von AlphaEarth Foundations-Einbettungen für nachgelagerte Analysen. Fähigkeit zu bewerten, ob diese Ansätze aufgabenspezifische Modelle mit den verfügbaren Bildern und Beschriftungen verbessern.

• Erleben Sie die Skalierung von Geodatenanalysen mit Dask, Apache Spark/Sedona oder Zarr.

• Erleben Sie die Bereitstellung und Optimierung von GPU-Inferenz mit PyTorch/CUDA, ONNX Runtime mit TensorRT oder NVIDIA Triton Inference Server, einschließlich der Stapelung von Bildkacheln und der Verwaltung von GPU-Speicher und -Durchsatz.

• Spatial SQL mit DuckDB oder PostGIS, STAC-basierte Datenerkennung und explorative Arbeit in QGIS oder Geemap; Erstellen von COG- und GeoParquet-Ausgaben für die nachgelagerte GIS-Nutzung.

• Erfahrung im Umgang mit kommerziellem Bildmaterial von Anbietern wie Airbus, Satellogic, SatVu oder ICEYE.

• Erfahrung in der Arbeit in Verteidigungs- und Geheimdienstumgebungen oder in verwandten Projekten.…

Quelle: EU Remote Jobs (https://euremotejobs.com/job/geospatial-data-scientist/)