Offre de stage Master 2 – Apprentissage géospatial et modèles de fondation pour la cartographie du risque de rage animal–humain
Durée : 6 mois
Niveau : Master 2 / dernière année Ecole Ingénieur
Lieu : Montpellier – UMR Espace-Dev
Partenaire : Fiocruz (Brésil)
Contexte
La rage est une zoonose mortelle dont le risque de transmission dépend à la fois de la circulation du virus chez les animaux, de la distribution des espèces hôtes, des caractéristiques environnementales et de la présence humaine. GeoRabIA (Geospatial and AI-Driven Modeling of Animal-to-Human Rabies Transmission Risk) vise à développer une approche d’intelligence artificielle capable de produire des cartes spatiales du risque de rage animale et d’exposition humaine, en combinant données épidémiologiques géolocalisées, contexte environnemental, informations sur les espèces et représentations géospatiales apprises.
Objectifs
Le stage consistera à construire et évaluer une chaîne reproductible de modélisation du risque de rage à partir des données disponibles. Les travaux s’organiseront autour des axes suivants :
• Préparation et harmonisation des données : contrôle qualité, harmonisation spatiale et temporelle, gestion des coordonnées, espèces, attributs épidémiologiques et variables environnementales.
• Extraction de représentations pré-entraînées : extraction des représentations avec SatCLIP [2] pour les informations de localisation et TaxaBind [3] pour les informations écologiques et multimodales.
• Modélisation : comparaison de méthodes de machine learning classiques et de modèles de deep learning intégrant les embeddings géospatiaux, écologiques et les variables épidémiologiques.
• Transfer learning et few-shot learning : comparaison de représentations gelées, fine-tuning et stratégies adaptées à la rareté et au déséquilibre des cas de rage.
• Cartographie du risque : production de cartes du risque relatif de présence de la rage animale à partir des données épidémiologiques et environnementales disponibles. Ces cartes seront ensuite croisées avec les données de répartition de la population humaine issues du Global Human Settlement Layer (GHSL) [5], afin d’identifier des zones potentielles d’exposition humaine. Les résultats seront accompagnés d’une analyse des incertitudes et des limites associées aux données de surveillance.
Profil recherché
Étudiant·e en Master 2 ou dernière année d’école d’ingénieurs en informatique, intelligence artificielle, data science, géomatique, télédétection ou domaine proche.