Специалист по геопространственным данным

Orcrist создает платформу анализа данных нового поколения с использованием передовых технологий. Мы обрабатываем данные петабайтного масштаба с помощью запросов, занимающих доли секунды. Наш продукт представляет собой платформу на базе Kubernetes, поставляемую как B2B SaaS или как локальное решение с самостоятельным размещением, включая развертывания с воздушным зазором. Мы даем возможность клиентам из оборонных, правоохранительных органов и предприятий превращать критически важные данные в полезную информацию.

Компания

Orcrist создает безопасное программное обеспечение для анализа данных для оборонных, правоохранительных органов и корпоративных групп. Наша платформа Sentinel сочетает в себе интеграцию данных, анализ с помощью искусственного интеллекта и операционные рабочие процессы. Команда GEOINT расширяет его за счет услуг геопространственных данных, возможностей дистанционного зондирования и общей оперативной картины через Интернет.

Роль

Разрабатывать геопространственные методы и методы дистанционного зондирования, которые превращают изображения и пространственные данные в надежные аналитические продукты. Вы будете работать на Python над обнаружением изменений, обнаружением объектов, сегментацией, а также пространственным и временным анализом. Ваши методы будут охватывать классическое машинное обучение, статистический анализ и анализ изображений, а также архитектуры глубокого обучения, такие как Vision Transformers (ViTs) и U-Nets, используя подходы, которые оказываются полезными на этапах исследования и оценки повторяемых возможностей платформы.

Работа включает временные ряды с открытых спутников, а также коммерческие оптические, тепловые и радиолокационные изображения. Вы поможете выбрать подходящие данные и методы, определить, что могут подтвердить результаты, и работать с инженерами, чтобы сделать их доступными для аналитиков внутри Sentinel.

Что ты будешь делать

• Разработать рабочие процессы обнаружения изменений, включая временные ряды Sentinel-2, и отличать значимые изменения от сезонности, эффектов облаков и теней, различий в получении данных и ошибок регистрации.

• Разработать и оценить методы обнаружения, сегментации и классификации объектов для спутниковых изображений, используя статистические методы, классическую обработку изображений и машинное обучение, где это необходимо. Прагматично оценивайте современные подходы к глубокому обучению с точки зрения более простых базовых показателей, точности взвешивания, требований к маркировке, обобщения, стоимости вывода и реальной жизнеспособности производства.

• Оценить пригодность различных датчиков, разрешений, условий сбора данных и уровней обработки для каждого варианта использования. Расширяйте методы, охватывая оптические, мультиспектральные, тепловые и радиолокационные данные по мере развития потребностей.

• Совместно с инженерами по обработке данных спроектируйте предварительную обработку и извлечение признаков: качественное маскирование, композицию, совместную регистрацию, нормализацию, спектральные индексы и коррекции для конкретных датчиков.

• Объедините растровые выходные данные с векторными и временными данными для пространственной статистики, зонального анализа, обнаружения аномалий и сравнения между областями и периодами наблюдения.

• Создайте или создайте справочные наборы данных и протоколы оценки. Используйте пространственно и временно разделенную проверку, измеряйте ложные срабатывания и пропущенные обнаружения, а также исследуйте производительность в разных регионах и датчиках.

• Предоставляйте отслеживаемые результаты со ссылками на источники, метками времени, мерами достоверности или неопределенности, а также документированными ограничениями. Помогите аналитикам понять, когда результат требует более тщательного анализа.

• Пакет проверенных методов Python для повторяемой пакетной обработки или вывода. Работайте с разработчиками данных и платформ над вопросами среды выполнения, памяти, мониторинга и интеграции в рабочие процессы Sentinel.

О тебе

• Формальное университетское образование в области геоинформатики, дистанционного зондирования, наблюдения Земли, прикладной математики, информатики или смежных дисциплин в сочетании с существенным практическим опытом в области геопространственных данных или дистанционного зондирования.

• Уверенные навыки Python и научных вычислений с использованием таких инструментов, как NumPy, pandas, SciPy, xarray, GeoPandas и Rasterio/GDAL.

• Практический опыт машинного обучения с использованием scikit-learn и PyTorch или эквивалентной платформы, а также TorchGeo или соответствующих пакетов геопространственного глубокого обучения, включая обучение, оценку и адаптацию существующих моделей.

• Глубокое понимание основ дистанционного зондирования: пространственное, спектральное, радиометрическое и временное разрешение; системы координат; выравнивание изображения; и ограничения качества данных.

• Опыт анализа спутниковых изображений и выполнение хотя бы одной соответствующей задачи, такой как обнаружение изменений, сегментация, обнаружение объектов или классификация земного покрова.

• Обоснованная статистическая оценка выборки, пространственной автокорреляции, утечки данных, классового дисбаланса, неопределенности и обобщения на новые места и условия сбора данных.

• Инженерно-ориентированный подход к исследованиям: версионирование кода и данных, воспроизводимые эксперименты, тесты и четкие объяснения того, как метод работает и не работает.

• Четкое общение на английском языке как с техническими коллегами, так и со специалистами в предметной области. Есть право на работу в Германии.

Приятно иметь

• Опыт работы с тепловыми инфракрасными изображениями, обработки и анализа данных SAR или объединения наблюдений с нескольких датчиков. Ценен глубокий опыт работы в одной модальности.

• Кандидат наук в области геоинформатики, дистанционного зондирования, наблюдения Земли или смежных областях.

• Опыт работы с геопространственными моделями фундаментов: точная настройка таких моделей, как Prithvi или TerraMind, или использование вложений AlphaEarth Foundations для последующего анализа. Возможность оценить, улучшают ли эти подходы модели для конкретных задач с помощью доступных изображений и меток.

• Опыт масштабирования геопространственного анализа с помощью Dask, Apache Spark/Sedona или Zarr.

• Опыт развертывания и оптимизации вывода графического процессора с помощью PyTorch/CUDA, среды выполнения ONNX с TensorRT или сервера вывода NVIDIA Triton, включая пакетную обработку фрагментов изображений и управление памятью и пропускной способностью графического процессора.

• Пространственный SQL с DuckDB или PostGIS, обнаружение данных на основе STAC и исследовательская работа в QGIS или Geemap; создание выходных данных COG и GeoParquet для последующего использования в ГИС.

• Опыт работы с коммерческими изображениями от таких поставщиков, как Airbus, Satellogic, SatVu или ICEYE.

• Опыт работы в сфере обороны и разведки или в смежных проектах.…

Источник: Удаленная работа в ЕС (https://euremotejobs.com/job/geospatial-data-scientist/).