Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : CIRAD – UMR TETIS
Durée : 18 mois
Contact : roberto.interdonato@cirad.fr
Date limite de publication : 2023-07-31

Contexte :
La sécurité alimentaire (SA) est un problème central dans de nombreuses régions du monde, comme en témoigne sa présence parmi les 17 objectifs de développement durable (ODD 2 – Faim zéro).
Pour surveiller les situations d’insécurité alimentaire, plusieurs systèmes d’alerte précoce sont actifs aujourd’hui, tels que GIEWS (FAO) et FEWSNET (USAID).
Ces systèmes utilisent un ensemble limité de types de données, i.e., données agroclimatiques provenant d’images satellites et indicateurs extraits d’enquêtes auprès des ménages sur les facteurs nutritionnels, économiques et liés à la production. De plus, une intervention humaine est souvent nécessaire pour combiner et résumer toutes les sources d’information.

Les recherches menées précédemment par TETIS ont montré que des données ouvertes hétérogènes, liées à différents niveaux à la sécurité alimentaire, peuvent être utilisées pour développer des méthodes d’apprentissage automatique capables de produire des indicateurs de SA. L’idée est d’utiliser des données qui représentent des proxys pour les raisons multiples et interdépendantes à l’origine de ce phénomène. Quelques exemples peuvent être des rasters d’informations spatiales, information géographique bénévole, données météorologiques, indicateurs économiques et données textuelles issus des médias locaux.

Sujet :
L’objectif de ce post-doc est de consolider et d’étendre les travaux récents sur ce sujet [1], en exploitant des stratégies d’apprentissage automatique et profond de dernière génération qui peuvent faire face à des aspects critiques, tels qu’une grande hétérogénéité des données et des données de vérité de terrain limitées. Plus précisément, Le travail est structuré au tour des trois questions de recherche :

– Quels types de données en accès libre peuvent être ciblés pour produire des indicateurs de Sécurité Alimentaire ?
– Comment des données hétérogènes en termes de thématique, de structure et de résolution spatio-temporelle peuvent-elles être prétraitées pour obtenir des prédictions cohérentes de la Sécurité Alimentaire pour un site d’étude donné ?

– Comment les techniques plus récentes d’apprentissage automatique et profond peuvent-elles être exploitées et combinées pour traiter ces données hétérogènes ?

En plus de la publication d’articles de recherche originaux dans des revues scientifiques de premier plan, l’objectif de ce travail sera également de développer une suite de méthodes (p.ex., une bibliothèque Python) capables de récupérer et d’exploiter des données hétérogènes pour produire efficacement des indicateurs de SA à l’échelle nationale.
L’utilisation de données de référence fournies par le CIRAD et le CGIAR permettra de tester les méthodologies proposées dans différents pays d’Afrique et d’Asie du Sud-Est.

Le Post-Doc est financé dans le contexte de l’Institut Convergences Agriculture Numérique #DigitAg ( www.hdigitag.fr ).

Profil du candidat :
Doctorat en informatique.

La préférence sera donnée aux candidats très motivés ayant une expérience de recherche en apprentissage automatique et profond, en science des données hétérogènes et en science des données appliquée à des sujets liés à la sécurité alimentaire et à l’agriculture.

De solides compétences en programmation (de préférence en Python) sont nécessaires.

Formation et compétences requises :
Doctorat en informatique.

La préférence sera donnée aux candidats très motivés ayant une expérience de recherche en apprentissage automatique et profond, en science des données hétérogènes et en science des données appliquée à des sujets liés à la sécurité alimentaire et à l’agriculture.

De solides compétences en programmation (de préférence en Python) sont nécessaires.

Adresse d’emploi :
500 Rue Jean François Breton, 34090 Montpellier

Document attaché : 202305261434_PostDoc #DigitAg 2023 FR.pdf