Les offres de stages #DigitAg 2022

#DigitAg finance des stages de Master 2

ou grade Master recherche équivalent (ingénieur fin d’études à vocation recherche, étudiant étranger…)

Ces stages se déroulent dans les laboratoires des unités de recherche membres (INRAE, Inria, Cirad, Université de Montpellier, Institut Agro-Montpellier SupAgro, AgroParisTech), principalement à Montpellier, mais ils peuvent aussi aussi être localisés à Toulouse, Avignon ou Rennes, voire à l’étranger.

Pour 2022, des sujets de différentes disciplines sont proposés en Mathématiques et leurs applications, Sciences de la vie et de l’environnement, Sciences Humaines et Sociales  comme en Sciences pour l’Ingénieur

>Candidater directement auprès du responsable indiqué en contact du sujet choisi

Mathématiques et leurs applications

Amélioration d’un outil de détection d’évènements (reproductifs, sanitaires, de dysfonctionnement) à l’échelle d’un troupeau de vaches laitières et ou de plusieurs bandes de truies

Mots-clé: élevage de précision, détection d’évènements, abreuvement, multi-espèces

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/02/2022
  • Unité de recherche: Pégase, Inrae
  • Contact: Charlotte Gaillard – charlotte.gaillard [AT] inrae.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 2 : Le phénotypage rapide

Les outils d’élevage de précision, associé aux observations des éleveurs, peuvent permettre un suivi individuel et automatisé des vaches laitières et des truies contribuant à une détection plus précoce d’évènements face auxquels une réponse de l’éleveur est nécessaire (chaleur, mise-bas, troubles sanitaires, dysfonctionnement de matériels d’élevage). A partir de données d’abreuvement, une méthode d’analyse a permis de détecter des perturbations en lien avec différents évènements. Cette méthode est spécifique à plus de 95 % pour les vaches et les truies, cependant sa sensibilité avoisine au mieux 70% pour les vaches et reste plus faible pour les truies (< 50%).
L’objectif de ce stage est d’améliorer cette méthode d’identification des perturbations. L’hypothèse principale de ce stage est que certaines variables sont dépendantes entre elles (ex. quantité d’eau bue et quantité d’aliment ingérée pour les vaches) et que la structure de dépendance entre ces variables va changer en période de perturbation. L’étude conjointe des variables dépendantes devrait permettre d’améliorer la sensibilité de notre méthode d’identification des perturbations. Deux bases de données, une en vaches laitières et une en truies gestantes, sont disponibles et permettront de tester ces hypothèses.
Ce stage sera réalisé à l’UMR PEGASE en collaboration avec l’UMR GenPhySE d’INRAE et sera co-encadré par une chercheuse nutritionniste en élevage bovin, une chercheuse nutritionniste-modélisatrice en élevage porcin et un chercheur statisticien.
Au début du stage, une première version du programme de détection d’évènements fondée sur une méthode de lissage différentielle. La première étape du stage va consister à déterminer des binômes de variables dépendantes propres à chaque espèce. La deuxième étape consistera à améliorer la démarche de détection d’évènements en l’application sur ces binômes.

Eclairer la décision en pulvérisation de précision par une étude des liens entre distribution statistique et répartition spatiale 3D dans les plantes des produits de protection des plantes.
stage pourvu

Mots-clé: géostatistiques, données spatiales 3D, vigne, pulvérisation, LiDAR, agriculture de précision

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/03/2022
  • Unité de recherche: Itap, Inrae
  • Contact: Olivier Naud – olivier.naud[AT]inrae.fr
  • #DigitAg: Axe 6 : Modélisation et simulation (systèmes de production agricole), Axe 3 : Capteurs, acquisition et gestion de données, Challenge 3 : La protection des cultures, Challenge 5 : Les services de conseil agricole

Les effets agro-environnementaux qui résultent de l’application de produits de protection des plantes (PPP) par pulvérisation est lié (a) à la quantité de PPP interceptée par le couvert végétal, (b) à sa répartition spatiale au sein du couvert végétal, et (c) aux pertes au sol ou dans l’air (dérive). Les méthodes d’échantillonnage que nous avons développées pour étudier les quantités interceptées et leur répartition 3D dans la vigne utilisent des collecteurs artificiels disposés selon un schéma tridimensionnel précis. La pulvérisation d’un traceur interceptée par ces collecteurs permet d’évaluer les dépôts dans la végétation. L’analyse des données quantitatives de dépôts a jusqu’ici été réalisée sous la forme de distributions statistiques sans expliciter l’information spatiale liée à la répartition connue des collecteurs. Nos travaux ont mis en évidence l’importance de la structure géométrique et de la densité du couvert mesurées par LiDAR pour expliquer les distributions obtenues en vigne réelle. Des recherches prolongeant ces résultats sont aujourd’hui nécessaires pour conduire à une décision agronomique de qualité qui réponde aux nouveaux enjeux et aux nouveaux PPP (biocontrôle notamment).
L’objectif du stage est d’analyser les liens entre distribution statistique et répartition spatiale des dépôts, afin de réaliser une modélisation robuste et combinée de ces deux phénomènes. Cette modélisation très innovante au regard de l’état de l’art mobilisera la géostatistique réalisée en 3D, dans le plan du champ comme dans le plan hauteur-profondeur du couvert.
Elle pourra être valorisée à la suite du stage sur des pulvérisateurs à commande digitale pour réaliser des plans complexes d’évaluation de PPP innovants et l’optimisation de leur application.
Les capacités nouvelles acquises faciliteront les collaborations de recherche avec pathologistes et épidémiologistes en protection des cultures dans le cadre d’une agriculture de précision à la fois numérique et écologique.

Conception d’un outil de prédiction de la dynamique de vol du charançon du bourgeon terminal sur colza à partir de la base de données d’épidémiosurveillance « Vigiculture »

Mots-clé: science des données, machine learning, interprétabilité, agriculture numérique, decision support tool, colza, charançon du bourgeon terminal

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/02/2022
  • Unité de recherche: Terres Inovia, Acta
  • Contact: Quentin Legros – q.legros[AT]terresinovia.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 3 : La protection des cultures, Challenge 5 : Les services de conseil agricole

Les larves de Ceuthorhynchus picitarsis perturbent la croissance du colza en détruisant le bourgeon terminal. La lutte cible les adultes avant le début des pontes. Cet insecte n’est observable au champ que grâce à l’utilisation de cuvettes jaunes qui les attirent dans une certaine mesure. Le positionnement optimal des traitements repose sur la détection précise de l’arrivée des insectes dans les parcelles. La capacité de prédiction des vols est donc essentielle pour optimiser l’usage des insecticides à la fois en terme de positionnement mais également pour éviter les traitements inutiles.
La base de données « Vigiculture » agrège des observations depuis 2008. Elles sont valorisées pour l’édition des « Bulletins de Santé du Végétal ». Ils produisent une information régionalisée aidant les agriculteurs dans leurs décisions. Pour autant, ces données restent relativement sous-valorisées pour établir des outils prédictifs. Pour C. picitarsis, on dispose de près de 52000 observations sur 10000 parcelles entre 2008 et 2020.
L’objectif du stage est d’utiliser ces données pour construire un modèle prédictif des vols. Plusieurs métriques de caractérisation des vols sont envisagées (date de 1er vol, probabilité quotidienne d’observation et somme des captures cumulées). Les observations de la base étant géolocalisées, des croisements avec d’autres sources de données (notamment météorologiques) pourront permettre d’expliquer une part des observations. Les performances de différentes méthodes de machine learning seront comparées. L’analyse des modèles retenus permettra de fournir des informations sur l’interprétabilité qui pourront être confrontées aux expertises de terrain. Le stage sera l’occasion de mettre en œuvre des méthodes en cours de conception dans le cadre de la thèse DigitAg d’Olivier GAURIAU. Elles visent justement le compromis entre performance et interprétabilité. En perspective du stage, le modèle retenu pourra être intégré dans un outil d’aide à la décision (OAD)

Sciences de la Vie et de l’Environnement

Utilisation des drones comme étapes intermédiaires pour la cartographie de la végétation à l’échelle national.

Mots-clé: Drone, Biomasse, cartographie, élevage pastorale

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/02/2022
  • Unité de recherche: Selmet, Institut Agro
  • Contact: JB Menassol – jean-baptiste.menassol[AT]supagro.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 3 : Capteurs, acquisition et gestion de données, Challenge 4 : Des productions animales durables, Challenge 8 : Développement agricole au Sud

Les savanes sont des écosystèmes avec une forte hétérogénéité spatiale de la végétation à la fois herbacée et ligneuse. La quantification de cette végétation est un élément essentiel dans ces zones arides pour l’élevage pastoral par exemple. Des mesures sur le terrain permettent de calculer la biomasse sur de petites zones. Mais comment faire pour obtenir ces informations sur une zone plus large ? Des études ont permis d’établir des relations entre les données de terrain et des images satellites gratuites de moyenne résolutions couvrant l’intégralité du pays.
Afin de faire des calibrations entre des données de terrain et des images satellites gratuites de moyenne résolution, il est nécessaire d’effectuer des mesures assez intenses sur le terrain pour bien prendre en compte cette hétérogénéité.
Une possibilité est d’utiliser des images à très haute résolution spatiale (THRS) comme une étape intermédiaire. La calibration des données de terrain avec ces images THRS permettrait :

  • de produire des cartes de végétation prenant en compte l’hétérogénéité de la végétation
  • de faire ensuite un lien entre ces cartes et des images avec des résolutions spatiales plus faibles.

Le drone est un outil permettant d’obtenir des images THRS. Depuis 3 ans des travaux sont menés au Sénégal montrant la possibilité de calibrer des sorties drone avec des mesures d’herbacées et de ligneux des savanes.
L’objectif de ce stage est d’utiliser ces données drone comme une étape intermédiaire entre le terrain et des images satellitaires, puis de comparer les cartes produites avec les travaux actuels reposant sur des protocoles de mesures de terrain plus lourd .
Le stage serait co-encadré entre Simon Taugourdeau (CIRAD-UMR SELMET) et Audrey Jolivot (CIRAD UMR TETIS).

Phénotypage à haut-débit de caractères fonctionnels chez la vigne en vue de caractériser la variabilité génétique de sa réponse aux contraintes liées au changement climatique

stage pourvu

Mots-clé: Phénotypage, haut-débit, spectrométrie dans le proche infrarouge, vignoble, sécheresse, photosynthèse, transpiration

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 28/02/2022
  • Unité de recherche: Lepse, Inrae
  • Contact: Aude Coupel-Ledru – aude.coupel-ledru[AT]inrae.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 2 : Innovations en agriculture numérique, Challenge 2 : Le phénotypage rapide, Challenge 1 : Le challenge agroécologique

Les changements climatiques risquent d’amener les vignobles à des niveaux de contrainte hydrique critiques pour la production et la qualité des vins. De nouvelles variétés sont donc recherchées, à la fois plus économes en eau et capables de maintenir leur photosynthèse, nécessaire au rendement. Dans ce contexte, il est crucial de pouvoir phénotyper ces caractères au vignoble sur de grands effectifs en vue de i) les intégrer dans des programmes de sélection variétale, et ii) rendre accessibles des critères d’évaluation de ces traits aux viticulteurs. Toutefois, le caractère pérenne de la vigne, le coût et le faible débit des méthodes conventionnelles de mesure (photosynthèse/transpiration) limitent clairement leur déploiement à haut-débit au vignoble. Le projet vise à mettre au point et tester l’application de nouvelles méthodes de phénotypage à haut-débit de caractères fonctionnels sur de larges populations d’intérêt afin de caractériser la variabilité génétique qui existe pour ces caractères. Un intérêt particulier sera porté sur l’utilisation de la spectrométrie dans le proche infrarouge (SPIR) et de la fluorescence chlorophyllienne comme proxys du fonctionnement photosynthétique et hydrique. Le travail sera entrepris sur 2 populations : un plan de croisement demi-diallèle et un panel de diversité de 279 variétés. Le travail se décompose en deux sous-objectifs : (a) une phase de calibration sur un sous-échantillon de génotypes, sur lequel des mesures physiologiques fines seront couplées à des mesures rapides, pour établir des modèles de prédiction des traits physiologiques (photosynthèse, métabolites foliaires, conductance stomatique, etc.) à partir des mesures haut-débit (SPIR portatif, poro/fluoromètre); (b) le déploiement des mesures haut-débit seules, sur des populations entières, la prédiction des caractères d’intérêt par les modèles établis en (a), et l’analyse de la variabilité et des déterminants génétiques de ces caractères par génétique d’association.

Évaluation du potentiel de la plateforme Pl@ntNet pour l’identification des espèces de pâturages en appui aux stratégies de gestion des éleveurs

Mots-clé: pl@ntnet, Pâturages,identification botanique, Intelligence artificielle

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/02/2022
  • Unité de recherche: Selmet, Inrae
  • Contact: Pierre Bonnet – pierre.bonnet[AT]cirad.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 2 : Innovations en agriculture numérique, Challenge 4 : Des productions animales durables, Challenge 1 : Le challenge agroécologique

La plateforme de science participative Pl@ntNet propose différents web services d’aide à l’identification des espèces végétales à partir de l’analyse visuelle automatisée de photos de plantes. Les données validées qu’elle génère sont utilisées pour l’entrainement de modèles de classification visuelle automatisée, permettant l’identification d’espèces à partir de photos de feuilles, fleurs, fruits ou tiges.
Bien que les pâturages représentent les écosystèmes agricoles avec la plus grande diversité végétale, aucune évaluation de Pl@ntNet n’a été menée sur ces agroécosystèmes, qui constituent un modèle d’étude intéressant.  Les espèces les plus représentées dans les pâturages, en particulier celles de la famille des Poacées, ne sont pas très nombreuses dans la base d’apprentissage de Pl@ntNet. Pour illustration on notera que moins de 100 000 occurrences de Poacées sont visibles sur les 10 millions d’observations Pl@nNet publiées sur le site du GBIF. De plus, les plantes de pâturages sont pour des besoins agricoles, le plus souvent observées au stade végétatif rendant l’identification d’autant plus difficile.
Le premier objectif de ce stage sera d’évaluer la pertinence de Pl@ntNet dans sa forme actuelle, pour l’identification des espèces des pâturages . La constitution d’un jeu de données de test couvrant une dizaine d’espèces. Dans un deuxième temps, l’enrichissement de la base d’apprentissage Pl@ntNet sera effectué avec des données complémentaires pour évaluer la typologie et le volume d’images pertinentes pour une amélioration significatives des performances dans le contexte étudié, et permettre un niveau de précision en adéquation avec les attentes des éleveurs., une évaluation sera menée dans un troisième temps afin de mesurer le potentiel d’une approche par quadrats. Des photos de quadrats à distance du sol et focale fixe seront produites, recadrées et soumises au service d’identification Pl@ntNet .
Le stage est coencadré entre SELMET et AMAP.

Sciences Humaines et Sociales 

Technologies numériques et économie circulaire : avancées et possibilités

Mots-clé: Technologies numériques, Economie circulaire, Chaîne de valeur des données

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 1/03/2021
  • Unité de recherche: Moisa, Inrae
  • Contact: Piot-Lepetit Isabelle : piot-lepetit@inrae.fr
  • #DigitAg: Axe 2 : Innovations en agriculture numérique / Challenge 7 :  Intégration de l’agriculture dans les chaînes de valeur

L’usage du numérique dans les exploitations agricoles est censé permettre d’améliorer la productivité, la traçabilité, les conditions de travail et de vie des agriculteurs, mais aussi de limiter les impacts négatifs sur l’environnement et de lutter contre le changement climatique (FAO, 2013). Par ailleurs, les technologies numériques sont considérées comme pouvant accompagner et favoriser une transition vers l’économie circulaire ; cette dernière étant définie comme un système économique d’échange et de production qui, à tous les stades du cycle de vie des produits (biens et services), vise à augmenter l’efficacité de l’utilisation des ressources et à diminuer l’impact sur l’environnement tout en développant le bien être (Ademe, 2020).
En effet, les technologies numériques via la fourniture d’information sur la disponibilité, la localisation et l’état des produits peuvent soutenir le développement de procédés de production et de consommation qui minimisent les déchets, augmentent la durée de vie de certains produits et réduisent les coûts de transaction induits, qu’ils soient directs (frais financiers) ou indirects (temps et efforts demandés). En particulier, les technologies numériques sont pressenties comme pouvant aider à fermer la boucle de l’économie circulaire ou au moins à la diminuer afin de réduire l’impact sur l’environnement.
L’objet du stage est de faire un état des lieux des technologies numériques soutenant le développement de l’économie circulaire, en particulier (i) en questionnant leur intégration dans la chaîne de valeur des données (collection – intégration – analyse) et (ii) en caractérisant leur contribution au déploiement de plus de circularité. En plus de la description de l’existant, une attention particulière sera  portée aux challenges rencontrés par les acteurs concernés et aux besoins en termes de recherche pour lier technologies numériques et économie circulaire. Le livrable attendu est une revue de la littérature explorant ce qui se fait dans différents secteurs d’activité.
Afin de caractériser les éléments spécifiques au secteur agricole, des entretiens seront réalisés avec des acteurs développant et utilisant des technologies numériques à des fins de réduction de l’utilisation des ressources ou de mises en œuvre d’activités reposant sur un principe de circularité. Les acteurs interviewés seront sélectionnés sur la base du positionnement des technologies numériques utilisées dans la chaîne de valeur des données. Le livrable attendu présentera des exemples d’utilisation des technologies numériques à des fins de développement de l’économie circulaire dans le secteur agricole et une toute première synthèse des implications en termes de changement du système économique et des business modèles des acteurs concernés. Une attention particulière sera portée aux éléments concernant la création et le partage de données, la collection et l’intégration de ces données, l’analyse des données et l’utilisation des connaissances créées, mais aussi les besoins en infrastructure, collaborations et compétences.

Usages des groupes WhatsApp pour l’échange d’expériences entre agriculteurs. Cas d’étude au Bénin.

Mots-clé: Réseaux sociaux, humanités numériques, smartphone, WhatsApp, agriculture, Bénin

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 03 /01/2022
  • Unité de recherche: Innovation, Cirad
  • Contact: Paget Nicolas – nicolas.paget[AT]cirad.fr
  • #DigitAg: Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Axe 2 : Innovations en agriculture numérique, Challenge 8 : Développement agricole au Sud

Le numérique en agriculture ouvre la voie à de nombreuses innovations dont la capacité à échanger des connaissances entre pairs. Les observations menées en Afrique de l’Ouest mènent à deux constats. (1) Une majorité d’outils développés ne sont pas utilisés (pas de business model clair, peu de prise en compte des besoins et capacités des usagers). (2) Malgré le spectre d’innovations associées aux imaginaires de l’agriculture numérique, les applications de réseaux sociaux comme WhatsApp (WA) via téléphone portable sont les plus utilisées. Les agriculteurs génèrent des groupes afin d’interagir avec des dizaines ou centaines d’interlocuteurs. Ces groupes se constituent autour de sujets divers (achats/ventes, culture…) ou de territoires et permettent l’échange de textes, audios, photos, vidéos à bas coût. WA a cependant de nombreuses limites (conversations en parallèle, stockage de données, recherche d’informations compliquée, échanges longs difficiles).
L’objectif de ce stage est d’étendre le champ des connaissances sur les échanges d’expériences entre agriculteurs. Il portera sur l’usage de WA par des agriculteurs au Bénin. Il interrogera la possibilité de s’appuyer sur ces applications populaires, au coût de développement nul et d’accès aisé pour participer à l’échange, à la diffusion de connaissances, ou au recueil de besoins dans les systèmes agricoles.
La question de recherche posée est la suivante : comment les réseaux sociaux comme WA participent-ils à l’échange et la création d’informations et de connaissances en agriculture ?
Spécifiquement :

Quels sont les usages des réseaux sociaux comme WA par les agriculteurs ?

– Comment cette arène concurrence / complète d’autres espaces de partages et de socialisation ?
Ancrée entre gestion et sociologie, associé à un stagiaire béninois,   la méthodologie sera mixte : observation et caractérisation d’interactions, échanges virtuels ou directs avec les membres des groupes, et analyses quantitatives des groupes.

Le numérique dans la conception des systèmes agroforestiers. Etat de l’art des pratiques et besoins

Mots-clé: atelier de co-conception, agroforesterie

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 03/01/2022
  • Unité de recherche: Agir, Inrae
  • Contact: Julie Labatut – julie.labatut[AT]inrae.fr
  • #DigitAg: Axe 2 : Innovations en agriculture numérique, Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 1 : Le challenge agroécologique, Challenge 5 : Les services de conseil agricole, Challenge 6 : La gestion des territoires agricoles, Challenge 8 : Développement agricole au Sud

La conception, et en particulier le design, de systèmes agroforestiers relève de problématiques complexes mobilisant de multiples acteurs ayant des points de vues variés ainsi que des savoirs et expériences à la fois implicites et explicites. De plus, les effets des choix réalisés ne seront perceptibles qu’à long terme. Les travaux de recherche de la dernière décennie montrent que les ateliers de co-conception sont un moyen pertinent pour aboutir à des solutions opérationnelles. Dans ces ateliers, l’intervention du numérique reste faible mais prometteuse. La définition d’outils généralistes se heurte à la variabilité de fonctionnement des ateliers et à la faible documentation existante sur le sujet.
Ce stage vise à analyser les pratiques actuelles de co-conception de système agroforestiers afin d’identifier comment les outils numériques peuvent améliorer cette conception. Des entretiens semi-directifs seront réalisés auprès d’acteurs variés ayant eu l’expérience de l’animation et de la participation à des ateliers de co-conception pour identifier les caractéristiques des systèmes sur lesquelles porte la conception, les différentes étapes de conception, les outils utilisés à ce jour et les caractéristiques demandées à un outil de support à la conception. L’analyse des besoins et des moyens qui permettraient de développer l’usage du numérique dans les ateliers de co-conception de systèmes agroforestiers permettra de répondre à des questions clefs, importantes dans le développement d’outils numériques contribuant au design des systèmes :

  • Quels sont les visualisations des services écosystémiques les plus nécessaires ?
  • Quels manques dans les outils/méthodes actuelles sont les plus ressentis par les acteurs
  • Faut-il, et si oui, comment doit-on représenter la dimension spatiale et temporelle des systèmes ?
Usages numériques en systèmes d’élevage : Vers des organisations de travail favorables à la transition agroécologique

Mots-clé: Élevage, agroécologie, digitalisation, travail, organisation du travail, conseil, usages numériques

  • Durée souhaitée du stage (nombre de mois): 6 mois plus 2 mois de CDD pour valoriser les travaux sous forme de publication scientifique
  • Date de début du stage: 15/02/2022
  • Unité de recherche: Pegase, Inrae
  • Contact: Anne-Lise Jacquot – anne-lise.jacquot[AT]agrocampus-ouest.fr
  • #DigitAg: Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 1 : Le challenge agroécologique, Challenge 5 : Les services de conseil agricole

La multiplication récente des usages numériques en élevage demande d’actualiser la compréhension des conditions d’activité de leurs utilisateurs. Par exemple, des outils numériques sont proposés aux éleveurs pour la transition agroécologique (tels que les logiciels de gestion du pâturage), ou encore pour l’amélioration de leur travail (robot de traite…).
Développer des systèmes d’élevage agroécologiques implique des démarches de conception de nouvelles pratiques à intégrer dans divers sous-systèmes de l’exploitation, eux-mêmes à faire évoluer et ré-agencer. Une ré-organisation de la configuration de travail et du temps dédié sont donc nécessaires à la fois pour le processus de transition agroécologique et pour la prise en main des outils numériques. Ces besoins restent un défi en élevage, profession au plus fort volume horaire de travail en France. Ces enjeux sollicitent donc des recherches pour analyser les effets des outils numériques sur l’organisation du travail, afin d’identifier les conditions adéquates à leur usage, dans le but de faciliter l’évolution vers des organisations et conditions de travail propices à la transition agroécologique des systèmes d’élevage.
Le stage, basé sur une approche interdisciplinaire entre sociologie et zootechnie, visera à comprendre comment le numérique est mobilisé par les éleveurs pour adapter leur organisation de travail à la transition agroécologique. L’étude portera sur une diversité d’exploitations d’un territoire, basée sur des entretiens avec une hétérogénéité d’éleveurs (avec différents degrés d’usage d’outils numériques, et différents degrés de développement de pratiques agroécologiques). Ces entretiens permettront de collecter les données nécessaires, afin d’analyser leur organisation de travail et la place des usages numériques dans celle-ci, ainsi que les freins et leviers à l’aménagement de conditions de travail propices à la prise en main des outils numériques et à la mise en œuvre de pratiques agroécologiques.

Sciences pour l’Ingénieur

Navigation dans les règles d’implication extraites de connaissances agroécologiques en santé animale et végétale pour l’aide à la décision

stage pourvu

Mots-clé: Agroécologie, usage des plantes, Analyse de Concepts Formels, Règle d’implication, Visualisation

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01-02-2022
  • Unité de recherche: Lirmm, Université de Montpellier
  • Contact: Marianne Huchard – marianne.huchard[AT]lirmm.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 1 : Le challenge agroécologique, Challenge 3 : La protection des cultures

Pour un producteur agricole, implémenter les pratiques agroécologiques au sein de son exploitation lui impose de disposer d’un système d’aide à la décision (SAD) pour les identifier, ce SAD comportant une base de connaissances suffisamment étoffée et un système de navigation adapté à ses besoins. La base de connaissances Knomana, par exemple, rassemble plus de 46000 descriptions d’usage de plantes à effet pesticide et antibiotique en santé végétale, animale et humaine (Silvie et al. 2021). La plateforme de visualisation RCAviz (https://info-demo.lirmm.fr/rcaviz/) permet de naviguer dans ce type de base de connaissances. Basé sur l’Analyse de Concepts Relationnels (RCA), une méthode de classification de données relationnelles, RCAviz permet de naviguer dans des structures conceptuelles de type graphe et d’identifier facilement, par exemple, une plante locale susceptible de protéger une culture contre un bioagresseur invasif, ou des plantes en partie équivalentes pour un problème sanitaire donné.
Outre les structures conceptuelles, RCA propose de représenter les connaissances sous forme de règles d’implication, un formalisme qui, proche du langage naturel, est bien adapté aux utilisateurs du monde rural (e.g. « F_Meliaceae => no-food » : les plantes de la famillle Meliaceae ne sont pas consommées). Les évaluations conduites pour l’approche One Health (i.e. Mahrach et al. 2021 ; Saoud et al. 2021) ont démontré la viabilité et l’utilité de cette solution. Pour autant, identifier la règle la mieux appropriée dans un grand ensemble est difficile.
L’objectif du stage est de développer un prototype logiciel de visualisation de connaissances, exprimées sous forme de règles d’implications produites par la librairie FCA4J (http://www.lirmm.fr/fca4j). Cette application présentera les règles en regard de mesures d’intérêt ou d’après une formulation symbolique donnée par l’utilisateur, e.g. les règles relatives à un certain ensemble de conditions, pour facilement les exploiter.

Caractérisation de l’état de santé du pêcher par imagerie RGB de proxidétection : application à la teneur en chlorophylle et aux criblures foliaires

Mots-clé: Proxidetection, deep learning, machine learning, RGB, arboriculture, stress biotiques

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01-02-2022
  • Unité de recherche: GAFL, Inrae
  • Contact: Morgane Roth – morgane.roth[AT]inrae.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 2 : Innovations en agriculture numérique, Axe 3 : Capteurs, acquisition et gestion de données, Challenge 0 : sujet transversal, Challenge 1 : Le challenge agroécologique, Challenge 2 : Le phénotypage rapide

Le développement de pratiques agro-écologiques en arboriculture implique la réduction des pesticides, or il n’existe à l’heure actuelle que peu de cultivars résistants aux principaux bioagresseurs. Quantifier des résistances ou tolérances dans les vergers de ressources génétiques ou de sélection reste un défi car les notations des sensibilités aux bioagresseurs sont basées sur des observations visuelles et des échelles ordinales, et manquent ainsi de résolution. Par ailleurs, peu d’outils permettent de mesurer des traits de santé intégratifs (photosynthèse, vigueur) de manière répétable et rapide. Ce stage propose d’explorer si des données obtenues par proxidétection peuvent permettre de caractériser des composantes de la santé des arbres de façon plus efficace que les méthodes usuelles. Pour ce faire, un trait spécifique, les symptômes de criblure foliaire (Coryneum beijerinckii), et un trait intégratif, la teneur en chlorophylle, ont été choisis. Ils seront mesurés à la fois par les méthodes de référence (notation visuelle, chlorophylle-mètre) et par imagerie, dans deux collections de pêcher menées en bas intrants phytosanitaires. L’acquisition d’images se fera à l’aide d’une caméra RGB portée par une perche PHENOMAN. L’étudiant·e participera à l’acquisition et au prétraitement des observations de terrain pour constituer une base de données de référence. Il·elle travaillera ensuite à l’estimation des deux traits phénotypiques à partir des images. Pour la criblure foliaire, un modèle d’apprentissage profond (deep learning) sera entraîné à partir de photos annotées manuellement. Pour la teneur en chlorophylle, un modèle d’apprentissage automatique classique (machine learning) permettra de relier les mesures SPAD avec une ou plusieurs variable(s) dérivée(s) des images. Après une analyse critique des résultats, les outils mis en place pourront être déployés à un plus large public par la synthèse de protocoles d’acquisition et la mise en place d’un pipeline d’analyses.

Segmentation automatique d’images aériennes de systèmes agroforestiers pour caractériser leur structure

Mots-clé: Analyse d’images – Classification – Segmentation – Télédétection – Réseaux de neurones – Apprentissage profond – Agroforesterie

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: 01/02/2022
  • Unité de recherche: Amap, Cirad
  • Contact: Frédéric Borne – frederic.borne[AT]cirad.fr
  • #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 2 : Innovations en agriculture numérique, Challenge 1 : Le challenge agroécologique, Challenge 5 : Les services de conseil agricole, Challenge 6: La gestion des territoires agricoles, Challenge 8 : Développement agricole au Sud

Les services écosystémiques remplis par les systèmes agro-forestiers sont aujourd’hui largement reconnus (biodiversité, stockage de carbone…). La richesse de la biodiversité est cependant difficile à caractériser de manière exhaustive dans le temps et l’espace, de même que la capacité à stocker du carbone. Ces grandeurs sont particulièrement dépendantes de la structure d’un système agroforestier, i.e. de la composition et l’arrangement des ressources végétales le constituant.
On se propose ici d’appréhender la structure des systèmes à partir de l’analyse d’images aériennes. Cependant les méthodes traditionnelles de classification n’ont jusqu’à présent répondu que partiellement à ce besoin de caractérisation fine des systèmes agroforestiers. Elles demandent un lourd travail d’expertise, difficile à généraliser d’une image à l’autre. C’est pourquoi nous proposons d’évaluer la faisabilité de la classification automatique par réseaux de neurones convolutionnels avec les derniers développements méthodologiques du domaine.
Une classification automatique par Deep Learning d’images aériennes de systèmes agroforestiers dans un environnement dédié sera implémentée, puis comparée avec une classification traditionnelle sur des exemples ciblés.
Ces exemples d’application concernent des terrains expérimentaux de systèmes agroforestiers ou agropastoraux, qui se situent i) en zone tempérée sur le domaine de Restinclières (France) -systèmes agroforestiers céréale / noyer, vigne / micocoulier, zone d’élevage (chevaux), … – pour lesquels de nombreuses données existent ; ii) en zone tropicale sur des systèmes agroforestiers de culture du café et du cacao en Afrique Centrale. L’apprentissage s’effectuera par palliers, en s’appuyant sur des données généralistes, puis par FineTuning sur un ensemble réduit de jeux d’ores et déjà disponibles que l’on améliorera étape par étape par des échantillons terrains et des cartes précises disponibles sur ces zones d’étude (Transfert Learning).

Simulation participative de la gestion des ressources renouvelables dans des environnements hybrides

Mots-clé: Simulation participative, Computer Vision , Smalltalk, Cormas

  • Durée souhaitée du stage (nombre de mois): 8
  • Date de début du stage: 1/02/2021
  • Unité de recherche: Green, Cirad
  • Contact: Bommel Pierre – bommel@cirad.fr
  • #DigitAg: Axe 2 : Innovations en agriculture numérique, Axe 6 : Modélisation et simulation (systèmes de production agricole) / Challenge 1 :  Le challenge agroécologique, Challenge 2 :  Le phénotypage rapide, Challenge 6 :  La gestion des territoires agricoles, Challenge 7 :  Intégration de l’agriculture dans les chaînes de valeur, Challenge 8 :  Développement agricole au Sud

L’ambition d’éliminer les interfaces physiques qui permettent l’interaction avec les machines est une idée ancienne dans le monde de l’informatique qui a pris plusieurs directions. La plus emblématique pour le grand public a émergé en 2005 sous le nom de “projet Natal” repris et démocratisé par Microsoft dans sa dernière version baptisée “Azure Kinect” (2019). Ce capteur détecte les mouvements et les objets dans le champ de vision de l’utilisateur pour produire des résultats dans un logiciel. Il a été abondamment détourné et enrichi depuis ses débuts grand public pour permettre de nouvelles manières d’interagir avec les machines.
Par ailleurs, le groupe de chercheurs à l’origine de la création d’une plateforme de modélisation à base d’agents baptisée Cormas [1] fait actuellement face à des besoins accrus d’interactivités dans les simulations participatives. Basée sur le langage Smalltalk, Cormas est développée depuis la fin des années 1990 par une équipe fortement interdisciplinaire. Au-delà des usages traditionnels de la modélisation agents, Cormas se démarque des autres plateformes par des processus originaux de modélisation : l’approche ComMod (pour Companion Modeling : modélisation d’accompagnement [2]), qui vise à proposer des outils permettant de participer activement à la conception d’un modèle, mais aussi de s’immerger dans des situations de jeux interactifs. Le jeu (de plateau ou informatisé) sert alors de support pour échanger sur une situation vécue.
En 2012, pour la première fois, l’équipe utilisait un video-projecteur à ultra-courte focale pour projeter sur une table un plateau de jeu. Ce simple changement a induit des comportements radicalement différents leur permettant une interaction beaucoup plus naturelle avec les simulations informatisées. En outre, la configuration spatiale des acteurs favorise les interactions sociales. Mais jusqu’à aujourd’hui, la saisie manuelle par l’animateur des décisions prises par les joueurs reste nécessaire ce qui réduit la fluidité et la spontanéité des interactions.
L’équipe en charge du développement de Cormas souhaite investiguer les possibilités offertes par les nouvelles applications liées à la détection d’objets et de mouvements en portant un prototype de simulation participative dans le champ de la simulation hybride entre modèle informatique et jeu physique. Ce travail de preuve de concept appliqué au modèle ReHab (modèle école de ComMod) nécessitera de mettre au point des méthodes de détection fiables d’objets physiques pour être intégrées dans le calcul du nouvel état simulé.
Aujourd’hui, Cormas s’appuie sur Pharo (Smalltalk open-source). Cette solution est développée par l’INRIA et par un consortium de chercheurs et d’industriels. La communauté dynamique propose un ensemble de packages permettant de mutualiser le développement de fonctionnalités qui pourraient être mobilisées pour proposer un prototype pour des simulation participative et la détection d’objets

Modélisation 3D de l’architecture de la vigne pour l’amélioration des modèles de cultures et la performance de la culture dans un contexte de changement climatique

Mots-clé: architecture aérienne, analyse d’images, modèles 3D, modèles de culture, photosynthèse, transpiration

  • Durée souhaitée du stage (nombre de mois): 6
  • Date de début du stage: début 2022
  • Unité de recherche: Lepse, Inrae
  • Contact: Pallas Benoît – pallas [AT] inrae.fr
  • #DigitAg: Axe 6 : Modélisation et simulation (systèmes de production agricole) / Challenge 2 :  Le phénotypage rapide

La maitrise de l’architecture aérienne est un enjeu majeur pour optimiser le fonctionnement des couverts végétaux dans un contexte de changement climatique car l’architecture module de nombreuses fonctions physiologiques (photosynthèse, transpiration, efficience d’utilisation de l’eau). Cet enjeu d’optimisation de la structure du couvert est très fort sur la vigne car de nombreuses pratiques visent à la modifier (éclaircissage, écimage, palissage…). Des approches de modélisation dites structure-fonction (FSPM) ont été développées pour simuler sur des architectures 3D de nombreux processus écophysiologiques. Cependant elles apparaissent souvent difficiles à utiliser, du fait de la charge expérimentale nécessaire pour acquérir des architectures 3D détaillées. Parallèlement, de nouvelles méthodes de phénotypage rapide (lidar, imagerie aéroporté, photogrammétrie) sont en développement et permettent d’acquérir rapidement des informations sur les caractéristiques architecturales des couverts. Par ailleurs, des modèles de culture ayant pour objectif de simuler le rendement dans différents contextes pédoclimatiques existent, mais ils n’intègrent que peu la dimension architecturale. L’objectif de ce stage est donc de déterminer, chez la vigne, des modes de représentations simplifiées de l’architecture aérienne qui pourraient être pertinents à coupler avec des modèles de culture afin de mieux simuler des variables potentiellement affectées par l’architecture et présentant une forte hétérogénéité spatiale. L’objectif de ce projet est donc de définir de nouvelles méthodes permettant de coupler les modèles de culture avec les modèles de représentations 3D de l’architecture. Les activités de recherche seront menées au sein de l’UMR LEPSE à Montpellier en se basant sur des modèles existants et déjà éprouvés (TopVine, Louarn et al. 2008 ; RATP, Sinoquet et al. 2001; Hydroshoot, Albasha et al. 2019) et disponibles sur la plateforme de modélisation OpenAlea (Pradal et al. 2008). Il s’agira ici de générer in silico à partir de données 3D acquises par digitalisation magnétique des représentations simplifiées de l’architecture compatibles avec les modèles de culture. En se basant sur ces représentations, des simulations de processus écophysiologiques (photosynthèse, transpiration) seront alors réalisées en testant différents niveaux et méthodes d’agrégation du feuillage (plante entière, voxels…). Ce mode de représentation de l’architecture et la méthodologie de calcul associée pourront alors être proposés comme entrées des modèles de culture afin de tester rapidement l’impact de différents modes de conduite sur des variables intégratives du fonctionnement dans des contextes environnementaux contrastés.