2x PhD-Stellen im Rahmen des SNSF-Projekts - Von den Alpen bis zur Arktis: Satellitengestützte Bewertung der Waldkronenhöhe über Jahrzehnte hinweg - 80 %

Die Universität Zürich, die grösste Universität der Schweiz, bietet eine Reihe attraktiver Stellen in verschiedenen Fachgebieten und Berufsfeldern an. Mit rund 10'000 Mitarbeitenden und derzeit 12 Berufslehren bietet die Universität ein inspirierendes Arbeitsumfeld in Spitzenforschung und erstklassiger Bildung. Setzen Sie Ihr Talent und Ihre Fähigkeiten bei uns ein. Finden Sie mehr über die UZH als Arbeitgeber heraus! ### Ihre Verantwortlichkeiten Im Rahmen des SNSF-Projekts wird sich das EcoVision Lab auf die Verbesserung der Schätzung von Waldparametern, insbesondere der Kronenhöhe, auf der detailliertesten Ebene konzentrieren. Als PhD-Kandidat/in werden Sie neuartige Deep-Learning- und Computer-Vision-Methoden entwickeln, um großflächige Fernerkundungsbilder verschiedener Satellitenmissionen in Karten der Kronenhöhe und weitere Waldparameter sowie deren Veränderung im Zeitverlauf zu transformieren. Ihre Forschung wird Folgendes umfassen: • Entwicklung von Deep-Learning-Modellen für die Analyse von Satellitenbild-Zeitreihen und Domain Adaptation • Entwicklung von Deep-Learning-Modellen für die (geführte) Super-Resolution historischer Satellitenbilder • Erstellung kalibrierter Unsicherheitsschätzungen für alle Modellausgaben • Training von Modellen auf heterogenen Datenquellen (z. B. Landsat, Sentinel-2, SPOT, Corona) und Untersuchung multimodaler Kombinationen verschiedener Datenquellen. Forschungsfreiheit & methodische Innovation Das Projekt bietet erhebliche Freiheit bei der Erforschung wirkungsvoller methodischer Richtungen in der modernen KI, einschliesslich: Self-Supervised Learning, Multimodal Learning, (geführte) Super-Resolution, Unsicherheitsschätzung und Zeitreihenregression. Wir streben nach Publikationen mit hoher Wirkung sowohl in Machine-Learning-Konferenzen (z. B. CVPR, ICCV, ECCV, ICLR, NeurIPS) als auch in führenden interdisziplinären Fachzeitschriften wie Remote Sensing of Environment, ISPRS Journal und Nature Sustainability. Warum teilnehmen? Diese 2x PhD-Stellen bieten: • Werden Sie Teil des EcoVision Lab, einem lebendigen, spannenden und unterhaltsamen Ort für die Forschung zu Deep Learning für Anwendungen in der Ökologie • Enge Zusammenarbeit mit führenden Forschungsgruppen in den Bereichen Machine Learning, Computer Vision, Data Science, Fernerkundung und historischer Fernerkundungsbild-Interpretation. • Eine einzigartige Gelegenheit, Spitzenforschung im Bereich KI mit realen Umweltauswirkungen für ein noch völlig unerforschtes Forschungsthema zu kombinieren • Zugang zu vielfältigen, großflächigen historischen Satellitenbildarchiven Ihr Profil Wir suchen hochmotivierte Kandidatinnen und Kandidaten, die begeistert daran sind, die Grenzen des Machine Learning zu verschieben und gleichzeitig einen sinnvollen Beitrag zum Umweltschutz zu leisten. Sie sind neugierig, gewissenhaft und haben Freude daran, sowohl neue Ideen als auch hochwertige Forschungssoftware zu entwickeln. Sie können gut mit herausfordernden Problemen umgehen und arbeiten gerne disziplinenübergreifend zusammen. Ein idealer Kandidat wird Folgendes mitbringen: • Einen exzellenten Master-Abschluss (M.Sc. oder gleichwertig) in Informatik, Machine Learning, Data Science oder einem eng verwandten Bereich (z. B. Elektrotechnik, Angewandte Mathematik) • Eine starke Grundlage in Mathematik und Machine Learning • Viel Programmiererfahrung, vorzugsweise in Python • Fundierte Vorerfahrung in Deep Learning und Computer Vision • Interesse an der Anwendung fortgeschrittener ML-Methoden auf ökologische und geospatiale Daten • Fließendes Englisch (Schrift und Sprache) ist erforderlich Erfahrung mit Themen wie Self-Supervised Learning, Domain Adaptation, Transfer Learning, Multimodal Learning, Unsicherheitsschätzung ist ein Plus – aber nicht zwingend erforderlich. Wir setzen uns für den Aufbau eines vielfältigen und inklusiven Forschungsumfelds ein. Wir ermutigen Bewerbungen von Kandidatinnen und Kandidaten mit unterschiedlichem Hintergrund und begrüßen insbesondere diejenigen, die möglicherweise nicht jedes aufgeführte Kriterium erfüllen, aber eine starke Motivation und Potenzial mitbringen. Nicole Trolese HR Manager nicole.trolese@uzh.ch