QuantCube Technology’s satellite imaging team is dedicated to creating macroeconomic indicators from satellite data. The team has a 10-years experience with satellite imagery like optical, radar or atmospheric to provide now-cast of various economic variables worldwide.

The proposed internship will focus on implementing a super-resolution algorithm for land surface temperature (LST) data. While land surface temperature is a common measure obtained from multi-spectral satellite images, its low spatial resolution makes processing challenging and reduces the scope of applications.

To address this, various methods based on physical models or machine learning models are possible. The internship will concentrate on exploring these different approaches. The intern will have the opportunity to engage in a comparative analysis of these methods to propose innovative solutions for enhancing the spatial resolution of LST. After researching the topic, the intern will implement and package the selected algorithm in Python.

-En Français-

L’équipe d’imagerie par satellite de QuantCube Technology est dédiée à la création d’indicateurs macroéconomiques à partir de données satellitaires. L’équipe possède une expérience de 10 ans dans l’utilisation d’images satellite telles que les images optiques, radar ou atmosphériques pour fournir des prévisions instantanées de diverses variables économiques à l’échelle mondiale.

Le stage proposé se concentrera sur la mise en œuvre d’un algorithme de super-résolution pour les données de température de surface terrestre (LST). Bien que la température de surface terrestre soit une mesure courante obtenue à partir d’images satellitaires multi-spectrales, sa faible résolution spatiale rend le traitement difficile et réduit le champ d’application.

Pour remédier à cela, diverses méthodes basées sur des modèles physiques ou des modèles de Machine Learning sont possibles. Le stage se concentrera sur l’exploration de ces différentes approches. Le stagiaire aura l’opportunité de participer à une analyse comparative de ces méthodes afin de proposer des solutions innovantes pour améliorer la résolution spatiale de la LST. Après avoir étudié le sujet, le stagiaire mettra en œuvre et emballera l’algorithme sélectionné en Python.

Références

A Data Mining Approach for Sharpening Thermal Satellite Imagery over Land

Convolutional Neural Network Modelling for MODIS Land Surface Temperature Super-Resolution

• Strong level in python

• Abilities to lead a literature review

• Good general level in mathematics

• Mastery of machine learning models (PyTorch, CNN, U-net architecture)

• Having already worked on image processing

• Good understanding of physics being multi-spectral imagery

• Fluent in English

QuantCube recruits and recognises all talents.

• Niveau avancé en Python

• Capacité à mener une revue de littérature

• Bon niveau général en mathématiques

• Maîtrise du Machine Learning (PyTorch, CNN, architecture U-net)

• Avoir déjà travaillé sur le traitement d’images

• Bonne compréhension de la physique appliquée à l’imagerie multi-spectrale

• Maîtrise de l’anglais

QuantCube reconnaît et recrute tous types de profils

1. 1st interview: 30min

2. At home exercise related to the subject

3. Technical interview: 1h