Científico de datos geoespaciales

Orcrist está construyendo una plataforma de inteligencia de datos de próxima generación utilizando tecnologías de vanguardia. Manejamos datos a escala de petabytes con consultas de menos de un segundo. Nuestro producto es una plataforma basada en Kubernetes que se entrega como SaaS B2B o como una solución local autohospedada, que incluye implementaciones aisladas. Permitimos a los clientes de los sectores de defensa, aplicación de la ley y empresas convertir datos de misión crítica en inteligencia procesable.

Empresa

Orcrist crea software de inteligencia de datos seguro para equipos de defensa, aplicación de la ley y empresas. Nuestra plataforma Sentinel combina integración de datos, análisis asistido por IA y flujos de trabajo operativos. El equipo de GEOINT lo está ampliando con servicios de datos geoespaciales, capacidades de teledetección y una imagen operativa común basada en la web.

Rol

Desarrollar métodos geoespaciales y de teledetección que conviertan imágenes y datos espaciales en productos analíticos confiables. Trabajarás en Python en detección de cambios, detección de objetos, segmentación y análisis espacial y temporal. Sus métodos abarcarán el aprendizaje automático clásico, el análisis estadístico y de imágenes, y arquitecturas de aprendizaje profundo como Vision Transformers (ViTs) y U-Nets, adoptando enfoques que resulten útiles desde la exploración hasta la evaluación de capacidades de plataforma repetibles.

El trabajo incluye series temporales satelitales abiertas e imágenes comerciales ópticas, térmicas y SAR. Ayudará a elegir los datos y métodos adecuados, establecerá qué pueden respaldar los resultados y trabajará con ingenieros para ponerlos a disposición de los analistas dentro de Sentinel.

que haras

• Desarrollar flujos de trabajo de detección de cambios, incluidas las series temporales de Sentinel-2, y distinguir los cambios significativos de la estacionalidad, los efectos de nubes y sombras, las diferencias de adquisición y los errores de registro.

• Construir y evaluar métodos de detección, segmentación y clasificación de objetos para imágenes satelitales, utilizando técnicas estadísticas, procesamiento de imágenes clásico y aprendizaje automático cuando corresponda. Evalúe de manera pragmática enfoques de aprendizaje profundo de última generación comparándolos con líneas de base más simples, precisión de pesaje, requisitos de etiquetas, generalización, costo de inferencia y viabilidad de producción real.

• Evaluar la idoneidad de diferentes sensores, resoluciones, condiciones de adquisición y niveles de procesamiento para cada caso de uso. Amplíe los métodos a través de datos ópticos, multiespectrales, térmicos y SAR a medida que se desarrollen los requisitos.

• Diseñar preprocesamiento y extracción de características con ingenieros de datos: enmascaramiento de calidad, composición, registro conjunto, normalización, índices espectrales y correcciones específicas de sensores.

• Combine salidas ráster con datos vectoriales y temporales para estadísticas espaciales, análisis zonales, detección de anomalías y comparación entre áreas y períodos de observación.

• Construir u obtener conjuntos de datos de referencia y protocolos de evaluación. Utilice validación separada espacial y temporalmente, mida falsos positivos y detecciones perdidas, y examine el rendimiento en todas las regiones y sensores.

• Entregar resultados rastreables con referencias de fuentes, marcas de tiempo, medidas de confianza o incertidumbre y limitaciones documentadas. Ayude a los analistas a comprender cuándo un resultado necesita una revisión más detallada.

• Paquete de métodos Python probados para procesamiento o inferencia por lotes repetibles. Trabaje con ingenieros de datos y plataformas en tiempo de ejecución, memoria, monitoreo e integración en los flujos de trabajo de Sentinel.

Sobre ti

• Formación universitaria formal en geoinformática, teledetección, observación de la Tierra, matemáticas aplicadas, informática o una disciplina relacionada, combinada con experiencia práctica sustancial en geoespacial o teledetección.

• Fuertes habilidades en Python y computación científica, utilizando herramientas como NumPy, pandas, SciPy, xarray, GeoPandas y Rasterio/GDAL.

• Experiencia práctica de aprendizaje automático con scikit-learn y PyTorch o un marco equivalente, además de TorchGeo o paquetes de aprendizaje profundo geoespacial relacionados, que incluyen capacitación, evaluación y adaptación de modelos existentes.

• Una sólida comprensión de los fundamentos de la teledetección: resolución espacial, espectral, radiométrica y temporal; sistemas de coordenadas; alineación de imágenes; y limitaciones en la calidad de los datos.

• Experiencia en análisis de imágenes satelitales y al menos una tarea relevante como detección de cambios, segmentación, detección de objetos o clasificación de cobertura terrestre.

• Juicio estadístico sólido en torno al muestreo, la autocorrelación espacial, la fuga de datos, el desequilibrio de clases, la incertidumbre y la generalización a nuevos lugares y condiciones de adquisición.

• Un enfoque de investigación con mentalidad de ingeniería: código y datos versionados, experimentos reproducibles, pruebas y explicaciones claras de cómo funciona y falla un método.

• Comunicación clara en inglés tanto con colegas técnicos como con especialistas del dominio. Tiene derecho a trabajar en Alemania.

Agradable tener

• Experiencia trabajando con imágenes térmicas infrarrojas, procesando y analizando datos SAR o combinando observaciones de múltiples sensores. La experiencia profunda en una modalidad es valiosa.

• Un doctorado en geoinformática, teledetección, observación de la Tierra o un campo relacionado.

• Experiencia con modelos de cimentaciones geoespaciales: ajuste de modelos como Prithvi o TerraMind, o uso de incorporaciones de AlphaEarth Foundations para análisis posteriores. Capacidad para evaluar si estos enfoques mejoran los modelos de tareas específicas con las imágenes y etiquetas disponibles.

• Experiencia en escalamiento de análisis geoespacial con Dask, Apache Spark/Sedona o Zarr.

• Experiencia en la implementación y optimización de la inferencia de GPU con PyTorch/CUDA, ONNX Runtime con TensorRT o NVIDIA Triton Inference Server, incluido el procesamiento por lotes de mosaicos de imágenes y la administración de la memoria y el rendimiento de la GPU.

• SQL espacial con DuckDB o PostGIS, descubrimiento de datos basado en STAC y trabajo exploratorio en QGIS o geemap; producir resultados COG y GeoParquet para uso posterior en SIG.

• Experiencia trabajando con imágenes comerciales de proveedores como Airbus, Satellogic, SatVu o ICEYE.

• Experiencia trabajando en entornos de defensa e inteligencia o en proyectos relacionados.…

Fuente: Empleos remotos en la UE (https://euremotejobs.com/job/geospatial-data-scientist/)