Науковий спеціаліст з геопросторових даних

Orcrist створює платформу аналізу даних наступного покоління з використанням передових технологій. Ми обробляємо петабайтні дані за допомогою запитів довжиною до секунди. Наш продукт — це платформа на базі Kubernetes, яка надається як B2B SaaS або як локальне рішення, що розміщується самостійно, включаючи розгортання з розривом повітря. Ми дозволяємо клієнтам із оборонних, правоохоронних органів і підприємств перетворювати критично важливі дані на корисну розвідку.

Компанія

Orcrist створює безпечне програмне забезпечення для аналізу даних для оборонних, правоохоронних та корпоративних команд. Наша платформа Sentinel поєднує в собі інтеграцію даних, аналіз за допомогою штучного інтелекту та робочі процеси. Команда GEOINT розширює його службами геопросторових даних, можливостями дистанційного зондування та спільною оперативною картинкою на основі Інтернету.

Роль

Розробити геопросторові методи та методи дистанційного зондування, які перетворюють зображення та просторові дані на надійні аналітичні продукти. Ви працюватимете на Python над виявленням змін, виявленням об’єктів, сегментацією та просторовим і часовим аналізом. Ваші методи охоплюватимуть класичне машинне навчання, статистичний аналіз і аналіз зображень, а також архітектури глибокого навчання, такі як Vision Transformers (ViTs) і U-Nets, використовуючи підходи, які виявилися корисними від дослідження до оцінки, до повторюваних можливостей платформи.

Робота включає відкриті супутникові часові ряди та комерційні оптичні, теплові та SAR зображення. Ви допоможете вибрати відповідні дані та методи, визначите, що можуть підтвердити результати, і співпрацюватимете з інженерами, щоб зробити їх доступними для аналітиків у Sentinel.

Що ви будете робити

• Розробити робочі процеси для виявлення змін, включаючи часові ряди Sentinel-2, і відрізнити значущу зміну від сезонності, ефектів хмар і тіні, відмінностей у отриманні даних і помилок реєстрації.

• Створення та оцінка методів виявлення об’єктів, сегментації та класифікації для супутникових зображень, використовуючи статистичні методи, класичну обробку зображень і машинне навчання, де це доречно. Прагматично оцінюйте найсучасніші підходи до глибокого навчання порівняно з простими базовими лініями, точністю зважування, вимогами до етикетки, узагальненням, вартістю висновків і реальною життєздатністю виробництва.

• Оцініть придатність різних датчиків, роздільної здатності, умов отримання та рівнів обробки для кожного випадку використання. Розширюйте методи на оптичні, багатоспектральні, теплові дані та SAR у міру розвитку вимог.

• Попередня обробка дизайну та виділення функцій з інженерами даних: маскування якості, компонування, спільна реєстрація, нормалізація, спектральні індекси та специфічні для датчиків корекції.

• Поєднуйте растрові результати з векторними та часовими даними для просторової статистики, зонального аналізу, виявлення аномалій та порівняння між областями та періодами спостереження.

• Створюйте або використовуйте довідкові набори даних і протоколи оцінки. Використовуйте перевірку з розділенням у просторі та часі, вимірюйте хибні спрацьовування та пропущені виявлення, а також досліджуйте продуктивність у різних регіонах і датчиках.

• Надавати результати, які можна простежити, із посиланнями на джерела, мітками часу, показниками достовірності чи невизначеності та документально підтвердженими обмеженнями. Допоможіть аналітикам зрозуміти, коли результат потребує більш ретельного аналізу.

• Пакет перевірених методів Python для повторюваної пакетної обробки або висновку. Співпрацюйте з інженерами даних і платформ щодо середовища виконання, пам’яті, моніторингу та інтеграції в робочі процеси Sentinel.

Про вас

• Формальна університетська підготовка з геоінформатики, дистанційного зондування, спостереження Землі, прикладної математики, інформатики або суміжних дисциплін у поєднанні зі значним практичним геопросторовим досвідом або досвідом дистанційного зондування.

• Сильні навички Python і наукових обчислень, використання таких інструментів, як NumPy, pandas, SciPy, xarray, GeoPandas і Rasterio/GDAL.

• Практичний досвід машинного навчання за допомогою scikit-learn і PyTorch або еквівалентного фреймворку, а також TorchGeo або пов’язаних пакетів глибокого геопросторового навчання, включаючи навчання, оцінку та адаптацію існуючих моделей.

• Тверде розуміння основ дистанційного зондування: просторова, спектральна, радіометрична та часова роздільна здатність; системи координат; вирівнювання зображення; і обмеження якості даних.

• Досвід аналізу супутникових зображень і принаймні одне відповідне завдання, наприклад виявлення змін, сегментація, виявлення об’єктів або класифікація земного покриву.

• Обґрунтоване статистичне судження щодо вибірки, просторової автокореляції, витоку даних, дисбалансу класів, невизначеності та узагальнення для нових місць і умов збору.

• Інженерний підхід до дослідження: програмний код і дані з версіями, відтворювані експерименти, тести та чіткі пояснення того, як метод працює і не працює.

• Чітке спілкування англійською як з технічними колегами, так і з фахівцями домену. Має право працювати в Німеччині.

Приємно мати

• Досвід роботи з тепловими інфрачервоними зображеннями, обробки та аналізу даних SAR або поєднання спостережень з кількох датчиків. Глибокий досвід роботи в одній модальності є цінним.

• Ступінь доктора філософії з геоінформатики, дистанційного зондування, спостереження Землі або суміжної галузі.

• Досвід роботи з геопросторовими фундаментальними моделями: точне налаштування моделей, таких як Prithvi або TerraMind, або використання вбудовування AlphaEarth Foundations для подальшого аналізу. Можливість оцінити, чи покращують ці підходи моделі для конкретних завдань за допомогою доступних зображень і міток.

• Досвід масштабування геопросторового аналізу за допомогою Dask, Apache Spark/Sedona або Zarr.

• Досвід розгортання та оптимізації висновків GPU за допомогою PyTorch/CUDA, ONNX Runtime з TensorRT або NVIDIA Triton Inference Server, включаючи групування фрагментів зображень і керування пам’яттю GPU та пропускною здатністю.

• Просторовий SQL з DuckDB або PostGIS, виявлення даних на основі STAC і пошукова робота в QGIS або Geemap; створення вихідних даних COG і GeoParquet для подальшого використання ГІС.

• Досвід роботи з комерційними зображеннями від таких постачальників, як Airbus, Satellogic, SatVu або ICEYE.

• Досвід роботи в оборонному та розвідувальному середовищах або на відповідних проектах.…

Джерело: Віддалена робота в ЄС (https://euremotejobs.com/job/geospatial-data-scientist/)