[Post-doc] Maxime Ryckewaert : Détection du stress hydrique de la vigne par instrument optique

Post-doctorat labellisé #DigitAg

Je suis Maxime Ryckewaert, recruté en tant que postdoctorant à Inrae, et membre de l’unité Itap et de l’équipe Comic. Je suis en charge de la partie scientifique du projet européen VINIoT en ce qui concerne la partie de l’équipe Comic. Après mon master en Physique et Informatique, j’ai été recruté en tant qu’ingénieur d’étude à Sun’R et au Cirad pour développer entièrement un logiciel de simulation destinée à des systèmes agrivoltaïques. C’est à partir de cette expérience que j’ai décidé de me lancer dans une carrière de chercheur. J’ai effectué une thèse Cifre avec l’entreprise Limagrain et le laboratoire Irstea où j’ai ainsi pu me familiariser avec l’analyse de données multivariées, les plans d’expérience et les expérimentations.

Pour ce postdoctorat, j’établis les protocoles de mesures des instruments optiques avec notamment l’imagerie hyperspectrale sur un plan d’expérience établi avec l’UMR Lepse et l’U.E. Pech-Rouge. La première étape consistera à étudier si la détection du stress hydrique sur vigne est possible via des outils utilisés habituellement en laboratoire. La seconde étape sera alors d’envisager des solutions de capteurs moins onéreux et adaptés à des contraintes pour une utilisation d’objet IoT.

La recherche appliquée à l’agriculture est motivante, car elle permet d’étudier les relations complexes entre la végétation et l’environnement dans des contraintes très spécifiques (technologies, coût, …). L’agriculture numérique est alors une des réponses liées à des enjeux environnementaux et sociétaux. De nouveaux challenges s’offrent à cette discipline où les données sont de plus en plus volumineuses et de plus en plus complexes avec notamment l’automatisation du suivi de la culture ou de la description multicritères du fonctionnement de la végétation. C’est dans le cadre de ce postdoctorat qui porte sur la détection du stress hydrique de la vigne que je souhaite proposer de nouvelles méthodes ou de nouveaux outils.

Détection du stress hydrique de la vigne par instrument optique 

  • Date de démarrage:  1er novembre 2020
  • Discipline(s)/Spécialité(s): Optique – Analyse de Données
  • Financement: InterregSudoe VINIoT
  • Encadrant(s): Ryad Bendoula, Itap, Inrae
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 3 : La protection des cultures,Challenge 5 : Les services de conseil agricole

Mots-clés: Phénotypage, Vigne, Stress hydrique, Sécheresse, Imagerie Hyperspectrale, Internet des objets

Résumé: Le postdoctorat s’inscrit dans le projet VINIoT d’Interreg Sudoe. Ce projet a pour objectif de proposer un nouveau service de viticulture de précision basé sur un réseau de capteur IoT (Internet Of Things). Ce service permettra aux PME du secteur viticole de la zone SUDOE de suivre leurs vignobles en temps réel, à distance et à différents niveaux de précision (raisin, plante, parcelle et vignoble). Il s’agit d’évaluer de manière précise l’état de la vigne, de la maturité des baies à la détection précoce d’apparition de maladies ou de stress hydrique. La première année est dédiée à l’étude à l’échelle de la feuille avec un suivi précis de la vigne en pot. Les autres années sont consacrées à l’application à l’échelle de la parcelle agricole entière.
L’équipe capteurs optiques pour les milieux complexes (COMIC) de l’UMR ITAP est chargée de proposer des solutions d’instruments optiques pour le suivi de la vigne face au stress hydrique. L’objectif de l’équipe COMIC est d’étudier les limites de détection des instruments optiques pour caractériser l’état de la vigne afin de sortir des indicateurs de stress hydrique.
Des expériences seront menées au cours des trois années du projet en partenariat avec différentes équipes de INRAE, en particulier avec l’UMR LEPSE et l’U.E. Pech-Rouge. La première étape consistera à étudier si la détection du stress hydrique sur vigne est possible via des outils utilisés habituellement en laboratoire avec notamment l’utilisation de l’imagerie hyperspectrale. La seconde étape sera alors d’envisager des solutions de capteurs moins onéreux et adaptés à des contraintes pour une utilisation d’objet IoT. L’équipe COMIC apportera également l’appui scientifique nécessaire aux collaborateurs d’un point de vue analyse de données et sur les discussions des choix technologiques.
Le post-doctorant est amené à coordonner les aspects scientifiques pour la partie du projet concernant l’équipe COMIC.
Les missions seront:
– De piloter les expérimentations (organisation, établir les plannings, prévoir les besoins en matériel et humain nécessaires)
– D’élaborer les plans d’expérience et d’établir les protocoles d’acquisition d’images hyperspectrales, de spectroscopie NIR et d’autres outils de phénotypage
– D’analyser les données issues des différentes expériences.
– De valoriser les résultats à travers la rédaction d’articles scientifiques.
– De participer aux réunions entre les différents collaborateurs du projet : AIMEN (Espagne), Agacal (Espagne), ADVID (Portugal), IFV (France), AGAMELARIOJA (Gobierno de la Rioja), FEUGA (Espagne).

Contact: maxime.ryckewaert [AT] inrae.fr

Réseaux sociaux : ResearchGateLinkedInTwitter


Communications/Publications

Puneet Mishra, Roy Sadeh, Maxime Ryckewaert, Ehud Bino, Gerrit Polder, Martin P.Boer, Douglas N.Rutledge, Ittai Herrmann (2021) A generic workflow combining deep learning and chemometrics for processing close-range spectral images to detect drought stress in Arabidopsis thaliana to support digital phenotyping, Chemometrics and Intelligent Laboratory Systems

Ryckewaert, Maxime. 2016-2019. « Potentiel d’un couplage entre un capteur de haute résolution spectrale/faible résolution spatiale et un capteur à faible résolution spectrale/forte résolution spatiale pour la sélection variétale ». These soutenue, Montpellier, SupAgro.

Ryckewaert, Maxime, Nathalie Gorretta, Fabienne Henriot, Federico Marini, et Jean-Michel Roger. 2020. « Reduction of Repeatability Error for Analysis of Variance-Simultaneous Component Analysis (REP-ASCA): Application to NIR Spectroscopy on Coffee Sample ». Analytica Chimica Acta 1101:23‑31. doi: 10.1016/j.aca.2019.12.024.

Ryckewaert, Maxime, Daphné Héran, Emma Faur, Pierre George, Bruno Grèzes-Besset, Frédéric Chazallet, Yannick Abautret, Myriam Zerrad, Claude Amra, et Ryad Bendoula. 2020. « A New Optical Sensor Based on Laser Speckle and Chemometrics for Precision Agriculture: Application to Sunflower Plant-Breeding ». Sensors 20(16):4652. doi: 10.3390/s20164652.

Héran, Daphné, Maxime Ryckewaert, Yannick Abautret, Myriam Zerrad, Claude Amra, et Ryad Bendoula. 2019. « Combining Light Polarization and Speckle Measurements with Multivariate Analysis to Predict Bulk Optical Properties of Turbid Media ». Applied Optics 58(30):8247. doi: 10.1364/AO.58.008247.

Taleb Bendiab, Anis, Maxime Ryckewaert, Daphné Heran, Raphaël Escalier, Raphaël K. Kribich, Caroline Vigreux, et Ryad Bendoula. 2019. « Coupling Waveguide-Based Micro-Sensors and Spectral Multivariate Analysis to Improve Spray Deposit Characterization in Agriculture ». Sensors 19(19):4168. doi: 10.3390/s19194168.

Valle, B., T. Simonneau, F. Sourd, P. Pechier, P. Hamard, T. Frisson, M. Ryckewaert, et A. Christophe. 2017. « Increasing the Total Productivity of a Land by Combining Mobile Photovoltaic Panels and Food Crops ». Applied Energy 206:1495‑1507. doi: 10.1016/j.apenergy.2017.09.113.

Valle, Benoît, Thierry Simonneau, Romain Boulord, Francis Sourd, Thibault Frisson, Maxime Ryckewaert, Philippe Hamard, Nicolas Brichet, Myriam Dauzat, et Angélique Christophe. 2017. « PYM: A New, Affordable, Image-Based Method Using a Raspberry Pi to Phenotype Plant Leaf Area in a Wide Diversity of Environments ». Plant Methods 13(1):98. doi: 10.1186/s13007-017-0248-5.

Communications :

REP-ASCA: A method to reduce repeatability error for Analysis of variance-Simultaneous Component Analysis (ASCA) – January 2020 – Chimiométrie

Removing spatial effects of spectral dataset acquired into an experimental design by using multivariate analysis of variance – June 2019 – EFITA

Predicting maize yield of new varieties from known varieties with temporal- spectral data using multibloc-analysis – January 2019 – Chimiométrie

Multivariate analysis of variance of vegetation spectra dataset included into an experimental design by using ANOVA-SCA and ANOVA-Target Projection – May 2018 – SFPT

ANOVA-Simultaneous component analysis on vegetation spectra data acquired into an experimental design November 2017 – HelioSpir

The impact of the spatial resolution of highly resolved spectral data on pan- sharpening methods to reconstruct a hyperspectral image