Contractuel Postdoctorat – intelligence artificielle et modélisation des eaux souterraines – STAGIAIRE POSTDOCTORAL(E)
Description de l'emploi
Postdoctorat – intelligence artificielle et modélisation des eaux souterraines
STAGIAIRE POSTDOCTORAL(E)
Université du Québec à Chicoutimi (UQAC) Chicoutimi, Québec, Canada
Version anglaise à la suite
DESCRIPTION DU PROJET
Un poste de stagiaire postdoctoral(e) est offert à l’Université du Québec à Chicoutimi (UQAC) dans le cadre d’un projet mené en partenariat avec le ministère de l’Environnement, de la Lutte contre les changements climatiques, de la Faune et des Parcs (MELCCFP).
L’objectif est de développer une méthodologie d’avant-garde pour modéliser les niveaux d’eau souterraine, en exploitant les données du Réseau de suivi des eaux souterraines du Québec (RSESQ). Les travaux combineront l’intelligence artificielle, la modélisation hydrologique, l’analyse de séries temporelles, la quantification de l’incertitude et l’explicabilité des modèles.
Sous la supervision du professeur Vincent Adombi, vous jouerez un rôle central dans la réussite scientifique et technique de ce projet.
TÂCHES ET RESPONSABILITÉS PRINCIPALES
- Développer et mettre en œuvre des pipelines de traitement de données adaptés aux séries temporelles hydroclimatiques du RSESQ ;
- Développer, entraîner et comparer plusieurs modèles d’apprentissage automatique, profond et hybride ;
- Développer et mettre en œuvre une méthodologie d’apprentissage par transfert pour garantir que les modèles élaborés puissent être généralisés à différents contextes hydrogéologiques ;
- Développer une méthodologie permettant de comprendre les mécanismes décisionnels des modèles élaborés et de corriger toute incohérence afin d’aligner ces mécanismes sur notre compréhension de la dynamique physique des systèmes d’eaux souterraines ;
- Développer une méthodologie permettant de quantifier les incertitudes à chaque étape du projet, qu’elles soient liées aux données ou aux modèles ;
- Produire des livrables numériques clairs, bien documentés et reproductibles pour toutes les étapes du projet, par exemple du code Python, des notebooks, etc ;
- Rédiger des rapports techniques, préparer des présentations destinées à divers publics et diffuser les résultats du projet par le biais de publications scientifiques et de conférences ;
- Participer aux rencontres de suivi avec les partenaires du projet.
EXIGENCES
- Posséder un doctorat obtenu ou sur le point d’être obtenu dans un domaine pertinent (intelligence artificielle, science des données, hydrologie, hydrogéologie, ou une discipline connexe) ;
- Justifier d’une expérience avérée en apprentissage automatique et en apprentissage profond ;
- Posséder une solide expérience en programmation Python et ses bibliothèques d’IA (Scikit-Learn, PyTorch/TensorFlow, Numpy, Pandas, etc) ;
- Avoir une expérience en analyse, traitement et modélisation des séries temporelles ;
- Démontrer une capacité à mener des travaux de recherche de manière autonome ;
- Posséder un dossier de publications scientifiques pertinent ;
- Posséder d’excellentes compétences rédactionnelles.
COMPÉTENCES RECHERCHÉES
- Rigueur scientifique et esprit critique ;
- Capacité à concevoir et développer de nouvelles approches méthodologiques ;
- Autonomie, esprit d’initiative et créativité ;
- Capacité à gérer simultanément différents aspects d’un projet de recherche ;
- Excellentes capacités de rédaction et de communication scientifique ;
- Aptitude à collaborer et communiquer efficacement dans un environnement multidisciplinaire ;
Les éléments suivants seront considérés comme des atouts significatifs (expérience ou expertise) :
- Hydrogéologie ou hydrologie ;
- Traitement du signal ;
- Modélisation conceptuelle hydrologique ;
- Approches de type Physics-aware Machine Learning (Scientific Machine Learning) ;
- Analyse et quantification des incertitudes hydrologiques ;
- Interprétabilité des modèles d’IA (XAI) ;
- Apprentissage par transfert (transfer learning) ;
- Développement et application d’architectures de réseaux de neurones de type Transformer ou Graph.
CONDITIONS D’EMPLOI
- Durée du mandat : 18 mois ;
- Entrée en fonction : automne 2026 ;
- Lieu de travail : Université du Québec à Chicoutimi (UQAC), Québec, Canada ;
- Une présence régulière à l’UQAC est requise, tout en offrant une certaine flexibilité selon les besoins du projet ;
- Salaire concurrentiel, déterminé en fonction de l’expérience, des qualifications et du profil de la personne retenue.
CANDIDATURE
Les personnes intéressées doivent faire parvenir les documents suivants :
- Curriculum vitae (avec liste de publications pertinentes) ;
- Lettre de motivation ;
- Les coordonnées de personnes référentes pourraient être demandées aux candidats retenus à une étape ultérieure du processus de sélection ;
Les candidatures doivent être transmises à :
- Vincent Adombi (ing. PRT, Ph. D.) à l’adresse suivante : avadombi@uqac.ca.
- Date limite de candidature : 30 juin 2026
- Seules les personnes retenues pour une entrevue seront contactées.
Postdoctoral Fellowship – Artificial Intelligence and Groundwater Modeling
POSTDOCTORAL RESEARCHER
Université du Québec à Chicoutimi (UQAC)
Chicoutimi, Québec, Canada
PROJECT DESCRIPTION
A postdoctoral position is available at the Université du Québec à Chicoutimi (UQAC) as part of a research project conducted in partnership with the Québec Ministry of the Environment (MELCCFP).
The objective of this project is to develop an advanced methodology for groundwater level modeling using data from the Quebec Groundwater Monitoring Network (RSESQ). The research will combine artificial intelligence, hydrological modeling, time-series analysis, uncertainty quantification, and model interpretability.
Under the supervision of Professor Vincent Adombi, the successful candidate will play a central role in the scientific and technical development of the project.
MAIN RESPONSIBILITIES
The successful candidate will be expected to:
- Develop and implement data-processing pipelines tailored to hydroclimatic time-series data from the RSESQ;
- Develop, train, and compare machine learning, deep learning, and hybrid modeling approaches;
- Develop and implement transfer-learning methodologies to ensure model generalization across different hydrogeological settings;
- Develop methodologies to better understand model behavior, identify potential inconsistencies, and improve the alignment between learned representations and the physical understanding of groundwater systems;
- Develop methodologies for quantifying uncertainties arising from both data and modeling choices throughout the project;
- Produce clear, well-documented, and reproducible digital deliverables, including Python code, notebooks, and associated tools;
- Prepare technical reports and presentations for a variety of audiences and disseminate project outcomes through scientific publications and conferences;
- Participate in project meetings with research and governmental partners.
REQUIREMENTS
- D. completed or close to completion in a relevant field (artificial intelligence, data science, hydrology, hydrogeology, or a related discipline);
- Demonstrated experience in machine learning and deep learning;
- Strong programming skills in Python and AI-related libraries (Scikit-Learn, PyTorch/TensorFlow, NumPy, Pandas, etc.);
- Experience in time-series analysis, processing, and modeling;
- Demonstrated ability to conduct independent research;
- Relevant scientific publications;
- Excellent scientific writing skills.
DESIRED QUALIFICATIONS
- Scientific rigor and critical thinking;
- Ability to design and develop novel methodological approaches;
- Independence, initiative, and creativity;
- Ability to manage multiple components of a research project simultaneously;
- Excellent scientific communication and writing skills;
- Ability to work effectively in a multidisciplinary environment.
The following qualifications will be considered strong assets:
- Hydrogeology or hydrology;
- Signal processing;
- Conceptual hydrological modeling;
- Physics-Aware Machine Learning and Scientific Machine Learning approaches;
- Hydrological uncertainty analysis and quantification;
- Explainable Artificial Intelligence (XAI);
- Transfer Learning;
- Development and application of Transformer-based or Graph Neural Network (GNN) architectures.
EMPLOYMENT CONDITIONS
- Duration: 18 months;
- Expected start date: Fall 2026;
- Workplace: Université du Québec à Chicoutimi (UQAC), Québec, Canada;
- Regular on-site presence at UQAC is expected, while allowing some flexibility depending on project needs;
- Competitive salary commensurate with experience, qualifications, and overall profile.
APPLICATION PROCESS
Interested candidates should submit:
- A curriculum vitae, including a list of relevant publications;
- A cover letter.
- Contact information for referees may be requested from shortlisted candidates at a later stage of the selection process.
Applications should be sent to:
- Vincent Adombi (ing. PRT, Ph. D.) at avadombi@uqac.ca
- Application deadline: June 30, 2026
- Only candidates selected for an interview will be contacted.
40 vues totales, 40 aujourd’hui