Job Description
Als „Die Forschungsuniversität in der Helmholtz-Gemeinschaft“ schafft und vermittelt das Karlsruher Institut für Technologie (KIT) Wissen für Gesellschaft und Umwelt. Ziel ist es, zu den globalen Herausforderungen maßgebliche Beiträge in den Feldern Energie, Mobilität und Information zu leisten. Daran arbeiten am KIT rund 9.800 Mitarbeiterinnen und Mitarbeiter auf einer breiten disziplinären Basis in Forschung, Lehre und Innovation zusammen.
Wir suchen für das Institut für Meteorologie und Klimaforschung Atmosphärische Umweltforschung (IMKIFU) ab 01.11.2024 befristet für 3 Jahre eine/einen
Akademische Mitarbeiterin oder Akademischer Mitarbeiter (w/m/d)
mit Schwerpunkt auf Deep Learning, Satellitendaten und Datenfusion mit opportunistischen Niederschlagssensoren
Für unseren Campus Alpin in Garmisch-Partenkirchen (IMKIFU) suchen wir Sie für eine Stelle im Projekt MERGOSAT ( Zusammenführung von Regenratenschätzungen aus opportunistischen Sensoren und geostationären Satelliten) das gemeinsam mit der Gruppe von Dr. Uwe Siart an der TU München und Dr. Vojtech Bares an der Tschechischen Republik durchgeführt wird Technische Universität in Prag.
Das übergeordnete Ziel des Projekts MERGOSAT ist die Entwicklung neuartiger Methoden zur Erstellung verbesserter Niederschlagskarten nahezu in Echtzeit für datenarme Regionen in Entwicklungsländern durch eine Kombination von Daten von geostationären Satelliten (GEOsat) und „opportunistischen“ Daten von kommerziellen Richtfunkstrecken(CMLs) und Satelliten-Mikrowellenverbindungen (SMLs).
Unsere Projektpartner werden daran arbeiten, die Verarbeitung von CML- und SML-Daten zu verbessern, indem sie neue Erkenntnisse aus Labor- und Simulationsarbeiten und Informationen aus GEOsat-Daten zur Unterstützung nutzen. Am KIT werden wir eine generative Deep-Learning-Methode entwickeln, um aus GEOsat-Daten und der Zusammenführung aller Datenquellen verbesserte Niederschlagsfelder abzuleiten.
Ihre Hauptaufgaben bestehen in:
- Entwicklung eines generativen Deep Learning Modells zur Erstellung verbesserter Niederschlagsfelder aus GEOsat-Beobachtungen mit hoher räumlicher und zeitlicher Auflösung
- Erweiterung des generativen Modells, um die Integration bodenbasierter Niederschlagsdaten von CMLs und SMLs zu ermöglichen
- Durchführung einer groß angelegten Validierung der entwickelten Methoden in Entwicklungsländern
Ihre Arbeit wird in Zusammenarbeit mit den Kollegen des NWC SAF durchgeführt, die für die operative Verarbeitung von GEOsat-Daten für das Nowcasting verantwortlich sind.
Eine berufsbegleitende Promotion ist angedacht. Hierbei sind zwei Forschungsaufenthalte am NWC SAF in Valencia geplant.
über ein abgeschlossenes wissenschaftliches Hochschulstudium (Master / Diplom (Uni)) entweder aus dem Bereich Informatik oder aus Naturwissenschaften und Mathematik. Das eigentliche Thema ist nicht so wichtig. Wir legen mehr Wert auf Ihre individuellen Fähigkeiten. Im Einzelnen verfügen Sie idealerweise über:
- gute Programmierkenntnisse, vorzugsweise in Python; Fachkenntnisse im Umgang mit großen Datenmengen, z. B. auf HPC- oder Cloud-Computing-Infrastruktur;
- gute Kenntnisse in tiefen neuronalen Netzen oder anderen fortgeschrittenen Methoden des maschinellen Lernens;
- ein grundlegendes Verständnis hydrometeorologischer Prozesse und Beobachtungen; und die Intuition, Daten und Code mit realen Beobachtungen und Herausforderungen zu verknüpfen.
Darüber hinaus müssen Sie über gute Englischkenntnisse in Wort und Schrift verfügen.
Teil bei der einzigen deutschen Exzellenzuniversität mit nationaler Großforschung und arbeiten Sie unter hervorragenden Arbeitsbedingungen in einem internationalen Umfeld an der aktuellen Forschung und Lehre für unsere Zukunft. Starten Sie beruflich mit einer zielgerichteten Einarbeitung sowie breitgefächerten Weiterqualifizierungsangeboten und profitieren Sie von flexiblen Arbeitszeitmodellen (Gleitzeit, Homeoffice).
Wir streben eine möglichst gleichmäßige Besetzung der Arbeitsplätze mit Beschäftigten (w/m/d) an und würden uns daher insbesondere über Bewerbungen von Frauen freuen.
Bei gleicher Eignung werden anerkannt schwerbehinderte Menschen bevorzugt berücksichtigt.
View More