Master Thesis - Enhancing Regression Performance in Geo-Foundatio...

Earth observation ist entscheidend für die Bewältigung globaler Herausforderungen wie nachhaltige Landwirtschaft, Klimawandel und Umweltüberwachung. Mit Ihrem Beitrag werden Sie helfen, die nächste Generation von KI-Grundlagenmodellen zu entwickeln, die genauere und zuverlässigere Anwendungen der Erdbeobachtung mit realer Forschung und gesellschaftlichem Einfluss ermöglichen.

In dieser Thesis werden Sie im von der Europäischen Weltraumorganisation (ESA) geförderten Projekt Fast-EO (Fostering Advances in Foundation Models via Unsupervised and Self-Supervised Learning for Downstream Tasks in Earth Observation) arbeiten. Sie werden neuartige Ansätze untersuchen, um die Fähigkeiten von Geo-Foundation-Modellen (GeoFMs) für Anwendungen der Erdbeobachtung (EO) zu verbessern, mit einem besonderen Fokus auf nachgelagerte Regressionsaufgaben wie Biomasseabschätzung und Ertragsschätzung von Pflanzen.

GeoFMs werden typischerweise auf großangelegten EO-Datensätzen mithilfe von selbstüberwachtem Lernen vortrainiert, was es ihnen ermöglicht, allgemeine Repräsentationen zu lernen, die über ein breites Spektrum von Anwendungen hinweg übertragen werden können. Trotz ihrer starken Übertragungsfähigkeiten erreichen GeoFMs jedoch manchmal nicht die Leistung von aufgabenspezifischen überwachten Modellen bei nachgelagerten Regressionsaufgaben. Eine zentrale Herausforderung besteht darin, die zeitliche Natur von EO-Daten effektiv zu modellieren. Da nachgelagerte Anwendungen unterschiedliche zeitliche Auflösungen und Sequenzlängen erfordern, von täglichen Beobachtungen bis hin zu monatlichen oder jährlichen Zeitreihen, sind die aktuellen Strategien zur zeitlichen Modellierung oft suboptimal und haben Schwierigkeiten, sich über verschiedene Aufgaben hinweg zu verallgemeinern. Darüber hinaus sind die Einschränkungen bestehender Vortrainingsziele und Architekturen für Regressionsprobleme noch nicht gut definiert.

In dieser Thesis werden Sie die Faktoren untersuchen, die die Leistung aktueller GeoFMs einschränken, und neuartige Methoden entwickeln, um ihr temporales Repräsentationslernen und die Leistung bei nachgelagerten Regressionen zu verbessern. Das Ziel ist es, flexiblere Strategien zur zeitlichen Modellierung und verbesserte Vortrainingansätze zu entwerfen, die es GeoFMs ermöglichen, effektiver über ein breites Spektrum von realen EO-Anwendungen zu verallgemeinern.

Ihr Profil

• Derzeit im Masterstudium der Informatik, Datenwissenschaft, Künstlichen Intelligenz, Geowissenschaften, Physik oder einem verwandten Bereich
• Starke Programmierkenntnisse in Python und Erfahrung mit Deep-Learning-Frameworks wie PyTorch, TensorFlow oder scikit-learn
• Erfahrung mit multimodalen und/oder multitemporalen Daten. Erfahrung mit Erdbeobachtungs- oder Regressionsdatensätzen ist von Vorteil
• Erfahrung in der Arbeit mit Hochleistungsrechnern (HPC), einschließlich Batch-Planung und Slurm
• Die Fähigkeit, effektiv in einem interdisziplinären Team zu arbeiten
• Gut organisiert, zuverlässig, proaktiv und motiviert, unabhängige Forschung durchzuführen
• Sehr gute Englischkenntnisse in Wort und Schrift mit umfangreichem Wortschatz erforderlich (mindestens B2-Niveau gemäß dem CEFR), idealerweise unterstützt durch ein Zertifikat, das das Sprachniveau bestätigt

Unsere Vorteile für Sie

• Wirkungsvolle Forschung: Arbeiten Sie an einem hochaktuellen, gesellschaftlich relevanten Forschungsthema innerhalb eines von der ESA geförderten internationalen Projekts
• Praktische Relevanz: Bei uns sammeln Sie wertvolle praktische Erfahrungen neben Ihrem Studium und nehmen aktiv an interdisziplinären Projekten teil
• Exzellente wissenschaftliche Umgebung: Arbeiten Sie mit führenden Forschern aus internationalen Forschungsinstituten, Universitäten, öffentlichen Organisationen und Industriepartnern zusammen.
• Zugang zu erstklassigen Rechenressourcen: Führen Sie Experimente auf moderner HPC-Infrastruktur durch, einschließlich JUPITER, einem der leistungsstärksten Supercomputer Europas.
• Work-Life-Balance: Wir bieten flexible Arbeitszeiten, um Ihnen zu helfen, Ihr Berufs- und Privatleben in Einklang zu bringen. Sie haben auch die Möglichkeit, flexibel zu arbeiten (in Bezug auf den Standort), was in der Regel nach Rücksprache und im Einklang mit bevorstehenden Aufgaben und (vor Ort) Terminen möglich ist.
• Faire Vergütung: Wir zahlen Ihnen eine angemessene Vergütung für Ihre Thesis.

Wir begrüßen Bewerbungen von Menschen mit unterschiedlichen Hintergründen, z.B. in Bezug auf Alter, Geschlecht, Behinderung, sexuelle Orientierung / Identität sowie soziale, ethnische und religiöse Herkunft. Ein vielfältiges und inklusives Arbeitsumfeld mit Chancengleichheit, in dem jeder sein Potenzial entfalten kann, ist uns wichtig.

Arbeitsort: Jülich

Startdatum: Zum nächstmöglichen Zeitpunkt

Vergütung: Wir zahlen Ihnen eine angemessene Vergütung für Ihre Thesis

Bewerbungsfrist: Die Stelle wird veröffentlicht, bis sie erfolgreich besetzt ist

Indexnummer: 2026M-0639