Chercheur Post-Doctorant Deep Learning pour Prédire la Distribution des Communautés Biologiques Marines en Fonction de leur Contexte Spatial et Temporel H/F CNRS

Détail du poste

La personne recrutée pour ce poste travaillera dans le cadre du programme français Océan et Climat, en particulier dans la composante « data challenges » en intelligence artificielle du projet :
https://www.ocean-climat.fr/Le-PPR/Actualites/Intelligence-artificielle-Appel-a-postdoc-et-data-challenges.

L'objectif est de faire collaborer et concurrencer plusieurs équipes (« coopétition ») pour résoudre des défis majeurs liés aux données en sciences marines. Le défi concerné ici porte sur la prédiction de la composition des communautés d'organismes marins (zooplancton, particules de neige marine et poissons des récifs coralliens) à partir de données environnementales collectées autour du point d'observation biologique. Formellement, la sortie est multivariée (de 10 à 600 groupes), et l'entrée peut comporter jusqu'à quatre dimensions (latitude, longitude, profondeur, temps) pour chaque variable (avec plus d'une douzaine de variables en entrée).

L'approche envisagée repose sur les récents développements de l'utilisation des réseaux de neurones convolutifs (CNN) pour les modèles de distribution d'espèces (Species Distribution Models), par exemple Deneu et al. 2021 ou Morand et al. 2024, en vue de résumer la complexité des champs d'entrée, puis de faire une régression dans l'espace d'embedding sur les variables cibles. Cependant, de nombreux défis restent à relever dans cette approche (choix entre CNN et transformeurs visuels, structuration des données d'entrée, intégration des dimensions temporelle et verticale, fonction de perte adaptée à une sortie multivariée, etc.). Nous attendons donc du ou de la post-doctorant·e qu'il ou elle apporte des contributions significatives au domaine au cours du projet.

Références :

- Deneu B et al. (2021) Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLoS Comput Biol
- Morand G et al. (2024) Predicting species distributions in the open ocean with convolutional neural networks. Peer Community J
Activités
Principales activités (par ordre chronologique) :
- Se familiariser avec les divers ensembles de données d'entrée et de sortie
- Étudier la fonction de perte pour une régression multivariée avec des plages très différentes dans les variables cibles et des distributions de densité inconnues
- Explorer la meilleure manière de résumer les entrées 2D (longitude, latitude) afin de capturer le contexte de l'observation et d'améliorer la prédiction
- Étudier l'ajout de dimensions supplémentaires (troisième et quatrième) aux entrées

Autres activités : Le post-doctorant est amené à collaborer avec l'autre équipe travaillant sur le même défi, basée à Montpellier. Il/elle sera également impliqué(e) dans les activités générales liées au programme Océan et Climat, ainsi que dans d'autres projets en cours impliquant les superviseurs, tels que l'équipe OceanIA d'INRIA https://oceania.inria.cl/. Enfin, il/elle travaillera également en étroite collaboration avec un doctorant actuellement impliqué dans une approche similaire pour prédire la composition des communautés de phytoplancton.
Compétences
Connaissances transversales requises :
- Expertise en apprentissage automatique et en apprentissage profond, en particulier
- Des connaissances en écologie, biologie marine ou océanographie seraient un plus
- Bonnes compétences rédactionnelles et d'expression orale en anglais (niveau B2 minimum)
- Rigueur scientifique et curiosité

Compétences techniques :
- Requis : Doctorat et diplôme d'ingénieur en apprentissage profond
- Requis : Bonnes compétences en programmation et capacité à traiter de grands ensembles de données
- Requis : Publication d'au moins un article de recherche dans une revue scientifique ou une conférence majeure en tant que premier auteur
- Optionnel : Expérience préalable en écologie, biologie marine ou océanographie
- Optionnel : Expérience préalable avec les modèles de distribution des espèces

Compétences relationnelles :
- Autonomie et capacité à travailler en équipe
- Collaboration dans un contexte international
Contexte de travail





Le Laboratoire d'Océanographie de Villefranche (LOV ; http://lov.obs-vlfr.fr/) est situé près de Nice, sur la Côte d'Azur, dans l'une des trois stations marines de Sorbonne Université. Avec environ 120 employés, le LOV génère et analyse une grande quantité de données marines, notamment des données d'imagerie, génomiques et satellitaires, pour étudier l'océan.

L'équipe COMPLEx (COMPutational PLAnkton Ecology) compte une quarantaine de membres qui étudient le plancton marin en collectant des données avec des instruments d'imagerie quantitative et de la génomique à haut débit, qui viennent alimenter des méthodes d'analyse numérique (modélisation, statistiques, apprentissage automatique). Le plancton englobe tous les organismes dérivant avec les courants marins. Ces organismes produisent une partie de l'oxygène que nous respirons, stockent le carbone que nous émettons, nourrissent les poissons que nous mangeons ; le plancton est donc un élément constitutif majeur de l'écosystème terrestre. COMPLEx interagit fortement avec la Plateforme d'Imagerie Quantitative de Villefranche (PIQv ; https://sites.google.com/view/piqv), qui supervise l'opération des outils que l'équipe développe. Ces outils incluent des capteurs d'imagerie, tels que l'Underwater Vision Profiler (UVP) ou le ZooScan, ainsi qu'un nombre croissant de logiciels pour le traitement et le contrôle qualité des données des instruments, le tri taxinomique d'images (https://ecotaxa.obs-vlfr.fr/) ou le stockage et la distribution de de données d'abondance de neige marine. L'équipe a une longue expérience d'interaction avec des ingénieurs et des informaticiens, dans le monde universitaire ou le secteur privé, pour développer ces outils.
La personne recrutée sera directement supervisé par Jean-Olivier Irisson https://www.obs-vlfr.fr/~irisson/. Professeur Irisson est un écologiste computationnel, travaillant à l'interface entre l'écologie du plancton et les sciences informatiques.

La personne recrutée travaillera en étroite collaboration avec l'équipe GreenOwl de l'Inria (Institut National de Recherche en Sciences et Technologies du Numérique). Le premier objectif de GreenOwl est d'évaluer la capacité de résilience des écosystèmes microbiens face aux changements climatiques. Le second objectif est de maîtriser l'adaptation des micro-organismes pour développer de nouvelles sources d'énergie ou de protéines, ainsi que de nouvelles méthodes pour recycler le carbone, l'azote et le phosphore. GreenOwl déploie des outils théoriques issus des domaines du contrôle automatique et de l'intelligence artificielle, qu'il combine avec une validation expérimentale sur ses plateformes expérimentales.

Le post-doctorant sera co-supervisé par Olivier Bernard https://www-sop.inria.fr/members/Olivier.Bernard/. Dr Bernard est un spécialiste de la modélisation du phytoplancton et des approches théoriques des systèmes océaniques.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.
Contraintes et risques

Néant