Was erwartet dich? Du erstellst einen großen Datensatz (InVeKoS von NRW oder Niedersachsen) und entwickelst ein Modell zur Vorhersage der Biomasse von z.B. Kartoffelpflanzen, basierend auf multispektralen Satellitendaten (Sentinel-2) Du vergleichst verschiedene Modellarchitekturen, darunter rekurrente Netzwerke (z. B. LSTM), Attention-basierte Modelle (z. B. Transformer, ViT, Swin-Transformer) und State-Space-Modelle Du setzt Foundation Modelle ein, um die Vorhersagequalität zu verbessern Du untersuchst zusätzliche Satellitenprodukte (z. B. Thermal- und SAR-Daten) auf ihre Auswirkungen auf die Modell-Performance Was bieten wir dir? Ein aktuelles, praxisrelevantes Forschungsthema mit echter Wirkung Enge Betreuung durch Dr. Till Riedel (TECO, KIT) und Benno Avino (heliopas.ai GmbH) Deep-Learning Workstation und wissenschaftliche Freiheit Was solltest du mitbringen? Du hast gute Kenntnisse im Bereich Deep Learning und Computer Vision Du verfügst über gute Programmierkenntnisse in Python und NumPy Du hast erste Praxis-Erfahrungen mit Deep Learning Frameworks (PyTorch, TensorFlow) und GIS-Anwendungen, was hilfreich ist