Offres de stage : sujets de Masters 2 2019-2020

#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 (Inra, Irstea, Inria, Cirad, Université de Montpellier, Montpellier SupAgro, AgroParisTech), principalement à Montpellier, mais ils peuvent aussi aussi être localisés à Toulouse, Avignon ou Rennes, voire à l’étranger.

Pour 2020, des sujets de différentes disciplines sont proposés en Sciences Humaines et Sociales & Agronomie comme en Sciences de l’Ingénieur, Mathématiques & Agronomie

Sciences Humaines et Sociales & Agronomie

Sciences de gestion – Interdisciplinarité,  conduite d’entretiens / enquête de terrain

Usages du numérique pour la transition agro-écologique au Bénin

Mots-clés : Connaissance, Aide à la décision, Transition agro-écologique, Bénin

  • Durée / date de démarrage souhaitée : 6 mois, 4/1/2020
  • Unités de recherche : INNOVATION, Cirad
  • Contact : 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 1 :  Le challenge agroécologique,Challenge 8 :  Développement agricole au Sud

Contexte – La transition agro-écologique est intensive en création, acquisition et échanges d’informations, de connaissances et de savoirs. Le numérique (via divers médias et technologies) prend une part de plus en plus importante pour accompagner cette transition via la création de communautés de pratiques. La transition numérique est, au Bénin, poussée par d’important financements, par exemple un investissement de $100 millions par la Banque mondiale dans les zones rurales. Le numérique est maintenant vu comme une condition nécessaire au développement agricole. Cette double transition ne se fait pas sans créer des inégalités et des changements structurels et cognitifs profonds : connaissances tacites, accès, moyens, temps disponible, capacité à utiliser le numérique… Les utilisateurs sont multiples : agriculteurs, techniciens, conseillers. Les technologies et les usages sont variés : l’échange d’informations (ex : groupe WhatsApp, forum), la consolidation de communs intellectuels (ex : wiki) la construction collective de normes (ex : cahier des charges), le développement d’outils d’aide à la décision (ex : outils de télédétection, vidéos de formation en ligne). Question de recherche et objectif –  Quels changements pourraient créer l’existence d’une infrastructure ouvrant la voie au numérique dans les zones rurales au Bénin ? Quels sont les usages actuels du numérique, qu’ouvrent-ils et quelles frustrations créent-ils ? Quels changements de pratiques permettraient-ils ?  Quels apports et limites des outils numériques par rapport au présentiel et les échanges traditionnels ? Ce stage exploratoire vise à défricher l’existant des usages (souvent inattendus) du numérique dans les facettes mentionnées, via une approche à la fois ouverte et critique dans des communautés se tournant vers le numérique. Une typologie des usages, des utilisateurs et une description des avantages et limites du numérique par rapport au présentiel sont attendus. Ce travail pourrait déboucher sur une thèse autour du numérique pour favoriser la transition agro-écologique. Méthodes – Revue de littérature sur les communs intellectuels, les systèmes socio-écologiques, les outils collaboratifs et de concertation existant. Enquêtes de terrain auprès de communautés sur leurs pratiques de partage d’information avec une focale sur les outils numériques. La focale spécifique pourra être adaptée en fonction de l’intérêt du stagiaire et des observations de terrain. Ce stage prendra pour point de départ des communautés identifiées travaillant dans le sens de la transition agro-écologique (par ex : un système participatif de garantie associé à une AMAP (https://amapbenin.com/2017/08/17/certification/), la Plateforme d’Agriculture Biologique et Ecologique (PABE – https://www.pabebenin.org/?p=169) qui utilisent toutes deux des outils numériques, tant pour leur gestion que pour la création, la consolidation et l’échange de connaissances) ou l’organisation professionnelle de transformateurs de produits à base de niébé.

Economie de l’innovation / Agronomie du changement technique – Compétences pour approche stratégique (agro-économique) des exploitations agricoles et coopérative, réalisation d’entretiens

Usages du numérique dans les exploitations viticoles et leurs coopératives : quels impacts sur la transition agroécologique ?

  • Mots-clés : technologies numériques, usages, agroécologie, innovation, viticulture, coopératives
  • Durée / date de démarrage souhaitée : 6 mois, 3/1/2020
  • Unités de recherche : INNOVATION, Inra
  • Contact : jean-marc.touzard [AT] inra.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 1 :  Le challenge agroécologique

L’usage des technologies numériques dans les exploitations agricoles est de plus en plus fréquent, mais la nature exacte de ces usages reste toutefois peu connue, tout comme leurs impacts réels sur l’écologisation des pratiques agricoles. Cette question se pose de manière particulièrement importante dans le secteur viticole, à la fois objet de nombreuses innovations technologiques, et confronté à des enjeux majeurs autour de l’environnement et de l’adaptation au changement climatique. La forte croissance de la viticulture biologique en témoigne, y compris au niveau de caves coopératives qui peuvent avoir une influence majeure à la fois sur l’usage du numérique et sur le changement de pratiques de leurs adhérents. Le stage de Master s’inscrit dans le champ des Innovation Studies. Il vise i) à caractériser les usages du numérique chez les viticulteurs d’Occitanie produisant en cave coopérative, ii) à mettre en évidence les liens entre ces usages et l’engagement dans la viticulture biologique et iii) à préciser les conditions qui président à l’adoption de ces technologies et notamment le rôle de la coopérative. Le travail s’intéressera donc à l’ensemble du processus d’adoption et d’usage du numérique dans un secteur, à ses conditions et impacts. Plusieurs hypothèses pourront être testées, en particulier le rôle de la stratégie de la coopérative ou de la trajectoire personnelle du viticulteur. Le stage consistera en à la réalisation d’une trentaine d’enquêtes auprès de viticulteurs de la région Occitanie, en partant d’une sélection d’un échantillon raisonné de caves coopératives bio, non bio et mixtes, puis par une sélection de 3 ou 4 adhérents par coopérative. Le travail permettra de i) Identifier les technologies numériques utilisées et construire une typologie des profils d’usage ; ii) préciser leurs liens possibles avec les pratiques agronomiques mises en place sur l’exploitation, en particulier celles qui participent à la transition agroécologique ; iii) Repérer les facteurs qui jouent sur l’adoption et les usages de ces technologies ; iv) Identifier les liens entre entreprise agricole et coopérative dans l’usage du numérique. Ces résultats ne seront pas suffisants pour une analyse quantitative poussée mais apporteront des informations qualitatives très riches, autour d’une analyse de cas types. L’originalité de ce travail est de proposer une caractérisation de profils d’usages du numérique et d’examiner leur relation avec le caractère bio ou non des exploitations, dans un contexte de coopératives. Il pourra donner lieu à la production d’un article scientifique. Le stage participe à un programme de recherche construit autour de la thèse d’Eléonore Schnebelin sur les liens entre numérique et agriculture biologique dans plusieurs filières agricoles, dont la viticulture. Il s’effectuera en lien avec l’UMR Innovation et l’UMR AGIR, et en partenariat avec Coop de France Occitanie.

Géographie économique et sociale / Sociologie du travail

Les entreprises du numérique : pour quels agriculteurs et quelles agricultures ? Le cas de la filière bovin-lait

Mots-clés : Agriculture numérique, entreprise, travail, agriculteur, exploitation agricole

  • Durée / date de démarrage souhaitée : 5 mois, 5/1/2020
  • Unités de recherche : INNOVATION, Inra
  • Contact : pierre.gasselin [AT] inra.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 1 :  Le challenge agroécologique,Challenge 4 :  Des productions animales durables,Challenge 5 :  Les services de conseil agricole,Challenge 6 :  La gestion des territoires agricoles,Challenge 7 :  Intégration de l’agriculture dans les chaînes de valeur

L’agriculture numérique (AN), incluant les technologies de l’information et de la communication (TIC) et les agroéquipements automatisés, est l’objet de nombreux espoirs de transformation des modèles agricoles. Certains parlent même de révolution et voient en celle-ci une source d’innovation tantôt pour une agriculture plus durable tantôt pour des exploitations plus compétitives. La littérature scientifique s’intéresse essentiellement au fonctionnement de ces outils numériques et à leurs impacts économiques. Un large champ de recherche s’ouvre pour comprendre la contribution de cette AN aux transformations socio-économiques des exploitations agricoles. C’est dans ce contexte qu’un travail de thèse a débuté début septembre 2019 à l’UMR Innovation. Il s’intéresse à comprendre la reconfiguration du travail des agriculteurs au sein des exploitations qui adoptent des technologies numériques. Mais l’innovation agricole est à considérer au-delà de l’exploitation et doit être replacée dans un contexte sociotechnique (le numérique concerne l’ensemble de la société), un système d’innovation dédié à la numérisation de l’agriculture (formations, salons, laboratoires de recherche, conseils, fermes expérimentales, etc.) et des marchés correspondants. Comprendre ce contexte implique d’étudier les stratégies des institutions avec lesquelles l’agriculteur interagit (organisations professionnelles et de conseil, fournisseurs d’intrants et de machines, services de l’Etat, etc.). Ce stage visera en particulier à caractériser les représentations que les entreprises du numérique se font des mondes agricoles et des exploitations, et les stratégies de conception et de mise en marché qu’elles déploient. Nous formulons deux hypothèses : (1) les entreprises de l’AN orientent la conception de leurs produits et services, et sélectionnent les exploitations cibles sur la base de leurs représentations de la diversité des formes d’agricultures actuelles et de celles à promouvoir ; (2) les entreprises du numérique contribuent à la différenciation des trajectoires des exploitations agricoles.Le stage portera sur l’élevage bovins-lait qui bénéficie d’un passif relativement ancien d’utilisation d’outils numériques et robotiques. L’étude concernera une vingtaine d’entreprises choisies selon un échantillonnage raisonné (taille et ancienneté de l’entreprise, type de produits et services tels que des robots pour la traite, le nettoyage des aires d’exercice ou la distribution de fourrage ou/et des appareils connectés). Des entretiens semi-directifs seront conduits afin de recueillir une parole libre de l’individu tout en abordant des thèmes précis et en trouvant réponse à des questions préalablement formulées. Ces thèmes seront structurés selon 3 grands axes : (1) histoire et stratégie de l’entreprise (objectifs, stratégies de conception et commerciale) ; (2) caractéristiques des clients et relations avec ces clients (diversité et ciblage des agriculteurs, critères de sélection, modalités de contractualisation, etc.) ; (3) vision de l’agriculture : explorer les représentations et les valeurs portées par les entreprises au sujet de l’agriculture et des agriculteurs (enjeux de développement identifiés et modèles agricoles soutenus).

Economie / Stastistiques – modélisation économétrique, maîtrise de l’anglais

Stratégie productive et Stratégie commerciale : le numérique au service de la certification et de la vente en circuit court

Mots-clés : accès au numérique ; certification AB ; circuit court ; Recensement Agricole

  • Durée / date de démarrage souhaitée : 6 mois, 4/1/2020
  • Unités de recherche : MOISA, Inra
  • Contact : magali.aubert [AT] inra.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 7 :  Intégration de l’agriculture dans les chaînes de valeur

Dans un contexte où l’environnement est une préoccupation croissante, acteurs publics et privés multiplient les initiatives pour garantir la qualité environnementale de leur production. Elles se traduisent par des certifications qui reposent notamment sur la conformité de la production avec les Limites Maximales de Résidus et l’usage de molécules autorisées. Parmi les nombreuses certifications auxquelles doivent répondre les producteurs – publiques, privées, nationales et internationales – nous considérons la certification AB. En 2018, respectivement plus de 90% et 75% des consommateurs déclarent avoir déjà consommé des produits certifiés AB ou en consommer régulièrement . En parallèle, la production certifiée se développe. Ainsi, 2 millions d’hectares sont certifiés AB, soit 7.5% de la surface agricole. En parallèle, et afin de répondre notamment aux attentes de proximité des consommateurs, les producteurs orientent leur production vers la vente en circuit court. Le producteur peut y capter une part plus importante de la valeur ajoutée, augmenter son revenu et donc développer son activité. Aujourd’hui, 1 producteur sur 5 vend en circuit court, ce qui représente moins de 10% de la consommation alimentaire. Sur la base de modélisations économétriques reposant sur des données exhaustives, nos précédents travaux ont permis de caractériser les freins et leviers – individuels, structurels, financiers et organisationnels – à la vente en circuit court et de démontrer une interdépendance entre la stratégie productive et la stratégie commerciale. Cette interdépendance sera amenée à se renforcer le cadre de la loi Agriculture Alimentation adopté en 2018, qui fixe un objectif de 50% de produits de proximité ou bio ou de qualité dans la restauration collective d’ici 2022. Afin d’aller plus loin et considérer l’environnement dans lequel les producteurs évoluent, il devient incontournable d’analyser l’interaction du numérique avec la stratégie commerciale et productive. Dans un monde de plus en plus interconnecté, on peut s’interroger sur l’apport des outils numériues d’une part sur le renforcement du lien producteur-consommateur et d’autre part sur la valorisation des efforts productifs. L’objectif du stage est de réaliser une typologie des exploitations sur la base du triptyque: usage du numérique, mode de commercialisation et mode de production. Différentes étapes seront nécessaires : 1.           Établir une revue de la littérature afin d’identifier les enjeux sous-jacents à chacun de ces items (accès au numérique, mode de commercialisation et mode de production) et d’en appréhender l’articulation. / 2.           S’approprier les données issues du Recensement Agricole qui permettent une caractérisation des exploitations en termes de stratégie commerciale et productive en lien avec leur utilisation des outils numériques. Sur la base des informations disponibles dans le RA, on approchera les exploitants utilisateurs d’outils numériques par leur utilisation de logiciels spécialisés pour leur gestion comptable et/ou technique. / 3.           Valider statistiquement et économétriquement les liens observés entre : accès au numérique, mode de commercialisation et mode de production. 

Agronomie / Géographie

Rôle de l’élevage de précision dans la transition agroécologique des territoires : modèles d’élevage avec monogastriques

Mots-clés : Elevage de précision; Monogastriques; agroécologie; bioéconomie territoriale

  • Durée / date de démarrage souhaitée : 6 mois, 3/2/2020
  • Unités de recherche : INNOVATION, Inra
  • Contact : marc.moraine [AT] 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 1 :  Le challenge agroécologique,Challenge 4 :  Des productions animales durables,Challenge 6 :  La gestion des territoires agricoles

Le développement de l’agroécologie en élevage est un enjeu de durabilité agricole majeur, l’élevage intensif étant une importante source de gaz à effet de serre et de pollutions notamment aux nitrates. Les systèmes d’élevage de ruminants ont fait l’objet d’études et d’expérimentations variées qui ont permis d’identifier des pistes de transition agroécologique : élevage à l’herbe et pastoralisme sont deux modèles permettant de réduire l’utilisation d’intrants et de préserver la biodiversité (Dumont et al., 2018). L’élevage de monogastriques, porcins et volailles principalement, est encore à la croisée des chemins entre des modèles très intensifs, basés sur le hors-sol et l’importation massive de céréales et protéines, et des modèles de type plein-air correspondant à des marchés de niche. Une troisième voie semble pourtant possible en connectant étroitement les systèmes monogastriques au territoire et productions locales, dans une démarche d’économie circulaire ou d’écologie territoriale (Van Zanten et al., 2018). Des complémentarités peuvent alors être trouvées pour valoriser d’une part des co-produits d’autres activités (écarts de tri de fruits et légumes, drèches de brasserie, etc.), d’autre part des ressources naturelles locales (fruits des chênaies, châtaigneraies, parcours sous vergers ou vignes). En retour, les effluents d’élevage de monogastriques peuvent être utilisés pour fertiliser les cultures avoisinantes. Si ces complémentarités peuvent exister à très petite échelle (systèmes diversifiés en agriculture biologique), elles sont très rarement mises en place dans des élevages spécialisés à plus grande échelle, par manque d’interconnaissance entre acteurs et manque de références sur la valeur alimentaire des produits, et pour des raisons d’intégration des élevages dans des filières, avec un approvisionnement en aliments organisé par la filière. Pour identifier ces complémentarités locales et les rendre possibles au sein des systèmes spécialisés, les outils numériques de suivi des systèmes d’élevage, de l’alimentation des animaux, mais aussi pour la capacité de mise en réseau d’acteurs à l’échelle d’un territoire, semble une piste prometteuse. Le stage proposé vise à (i) caractériser l’utilisation d’outils numériques en élevage spécialisé ; (ii) identifier des pistes d’intégration territoriale (approvisionnement local et gestion des effluents) des élevages de monogastriques dans une démarche d’économie circulaire. Pour cela, des enquêtes auprès des acteurs de l’élevage de précision (entreprises, fournisseurs, conseillers techniques et éleveurs) seront menées, ainsi que des ateliers de réflexion et co-construction de modèles d’élevage monogastriques en économie circulaire à l’échelle du territoire. Le terrain du Languedoc (Pyrénées-Orientales, Lozère, Aude, Hérault et Gard) sera exploré, avec un objectif de 20 fermes d’élevage utilisant des outils numériques enquêtées. Le potentiel des outils numérique pour l’élevage de précision (suivi des animaux, pilotage de l’alimentation) sera analysé en vue de définir leur rôle de levier ou frein pour le développement de formes agroécologiques d’élevage monogastrique.

 Sciences de l’ingénieur, Mathématiques & Agronomie

Informatique – TIC / Agronomie

Spécialisation d’un réseau de neurone de localisation et de classification pour la mise en place d’un outil d’évaluation de la maturité de la mangue

Mots-clés : Deep learning, réseau de neurones, mangue, maturité, Sénégal

  • Durée / Date de démarrage souhaitée : 6 mois / entre janvier et décembre 2020
  • Unités de recherche : HortSys, Cirad Montpellier
  • Contact : emile.faye [AT] cirad.fr
  • #DigitAg : Axe 2 : Innovations en agriculture numérique, Axe 3 : Capteurs, acquisition et gestion de données, Axe 6 : Modélisation et simulation (systèmes de production agricole) – Challenge 5 : Les services de conseil agricole, Challenge 8 : Développement agricole au Sud

Aujourd’hui, l’estimation des productions agricoles en pré-récolte est devenue indispensable pour faire face aux enjeux du développement et réduire la vulnérabilité des populations face aux changements globaux. En effet, l’un des principaux problèmes freinant le développement des cultures pérennes est l’impossibilité d’estimer avec facilité et précision le rendement et la maturité des fruits aux stades phénologiques pertinents afin d’orienter la prise de décisions des agriculteurs. À ce jour, l’estimation du rendement et de la maturité des fruits dans les vergers tropicaux repose encore sur une inspection visuelle d’un échantillon limité d’arbres, méthode fastidieuse, longue et peu précise (Anderson et al., 2018). L’agriculture de précision, et en particulier le traitement de flux de données visuelles, offre de nouvelles perspectives pour recueillir rapidement des informations précises et pertinentes pour estimer au plus tôt la production des arbres fruitiers, et probablement la qualité des récoltes (évaluation de la maturité). Dans ce domaine, les réseaux de neurones convolutifs (convolutional neural network – CNN) ont récemment montré leur excellente capacité à détecter des fruits (Sa et al. 2016) et plus particulièrement des mangues (Stein et al. 2016, Bargoti & Underwood 2017, Borianne et al. 2019). Si les réseaux « savent » localiser et dénombrer, la question de recherche porte désormais sur leur capacité réelle à qualifier la maturité des fruits, i.e. à identifier parmi les fruits détectés dans les images ceux qui ont atteint le point de récolte.

Le stage proposé s’inscrit dans le double contexte d’une thèse #DigitAg actuellement en cours sur les estimations des rendements du manguier en Afrique de l’Ouest et d’un projet de transfert technologique financé par la Région Occitanie. Porté par l’équipe « Evaluation et conception de systèmes horticoles » de l’UPR HortSys, il sera mené en collaboration avec le groupe « Imagerie des Plantes et des Paysages » de l’UMR Amap (et l’appui méthodologique de l’équipe « Image et Interaction » du LIRMM) (Borianne et al. 2019, Sarron et al. 2018). Le/la stagiaire travaillera à partir d’un jeu d’images de plus de 1200 mangues de la variété Kent acquis durant la saison mangue 2019 au Sénégal et Côte d’Ivoire (cf. Fig. 1). Chacun de ces fruits a été photographié en condition in situ (2 faces) et en laboratoire en condition de lumière contrôlée (2 faces + 1 pulpe par fruit) avec un appareil photo numérique RGB. Le niveau de maturité de chaque fruit a été estimé par des mesures de paramètres physico-chimiques (dimensions, poids, fermeté, pH, acidité titrable, °brix).

Les objectifs de ce stage porteront sur trois points spécifiques à haute valeur ajoutée scientifique en agriculture numérique :
– l’adaptation d’un réseau Mask R-CNN ou RNN (He et al. 2017) pour qualifier le niveau de maturité des fruits (récoltés ou in situ) à partir des surfaces visibles;
– l’évaluation de l’efficacité de prédiction du réseau, abordant de fait les questionnements complexes (et souvent tus) de la constitution des jeux de validation et de la « vérité terrain », des méthodes d’estimation de l’erreur,…

Informatique – Développement web – Web sémantique

Prise en compte des incertitudes dans un outil d’aide à la décision pour l’agriculteur producteur de fromages AOP

Mots clés : Gestion des incertitudes, aide à la décision, gestion de connaissances imparfaites

  • Durée / Date de démarrage souhaitée : 6 mois / mars 2020
  • Unités de recherche :  IATE, Inra Montpellier
  • Contact : patrice.buche [AT] inra.fr
  • #DigitAg : Axe 4 : Système d’information, stockage et transfert de données, Axe 5 : Fouille de données, analyse de données, extraction de connaissances / Challenge 5 : Les services de conseil agricole, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur

Les filières fromagères valorisant leur terroir représentent une activité agricole économique importante en France, avec environ 17900 producteurs de lait, 1290 producteurs fermiers et 432 établissements de transformation. Les filières fromagères bénéficiant d’une Indication Géographique (AOP/IGP) fondent leur stratégie de différenciation du produit mis en marché sur la valorisation des ressources locales en lien avec leur terroir et sur l’expression des savoir-faire d’expérience tant au niveau de la production que de la transformation. Des évolutions internes aux appellations, en particulier en termes de renouvellement et de formation des opérateurs, fragilisent fortement la préservation et la transmission de ces savoir-faire. Le développement de méthodes d’intelligence artificielle permettant l’exploitation de bases de connaissances ouvre de nouvelles perspectives en termes de pérennisation et de gestion des données de l’expérience opérationnelle en proposant des modes de raisonnement complexes allant bien au-delà de la description et de la formalisation de procédés standards. Dans le cadre du projet CASDAR Docamex (2017-2020), l’équipe Ingénierie des COnnaissances (équipe ICO) de l’UMR IATE conçoit une méthode et un outil d’aide à la décision (OAD) pour l’agriculteur qui l’aide à maitriser un défaut ou une qualité de fabrication en lui recommandant les actions technologiques les plus pertinentes à entreprendre. L’OAD permet également, pour une action donnée, de déterminer l’ensemble des défauts et qualités impactés. Ces recommandations sont basées sur la représentation formelle des relations de causalité reliant défaut/qualité aux actions par des mécanismes explicatifs. Dans Docamex, l’équipe ICO travaille avec plusieurs filières AOP de caractéristiques différentes (Comté, Reblochon, Emmental de Savoie, Salers, Cantal) afin de développer un OAD générique et adaptable. Les connaissances manipulées par l’OAD sont formalisées avec les langages du Web sémantique bien adaptés pour intégrer des connaissances provenant de sources hétérogènes dans les filières. Dans le stage de master, le verrou méthodologique visé concerne la modélisation des incertitudes associées aux relations de causalité reliant les défauts/qualités aux actions. Le premier objectif est de pouvoir proposée dans l’OAD une priorisation des actions prenant en compte ces incertitudes. Le second objectif est de pouvoir mettre à jour les incertitudes en prenant en compte le résultat des nouvelles expériences fromagères enregistrées sur le terrain. La modélisation proposée sera testée par la création d’un prototype logiciel qui sera intégré dans l’OAD.

Statistique – biostatistiques + Programmation, simulation numérique

Assimilation de données de proxi- et télé-détection afin d’améliorer la capacité de prévision du modèle de culture SiriusQuality

Mots-clés : Aide à la décision, Assimilation de données, Modèle de culture, Phénotypage rapide, Proxidétection, Télédétection

  • Durée / Date de démarrage souhaitée : 6 mois, mars 2020
  • Unités de recherche : LEPSE, Inra Montpellier
  • Contact : sibylle.dueri [AT] inra.fr
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole) / Challenge 1 : Le challenge agroécologique, Challenge 2 : Le phénotypage rapide

Les modèles de culture simulent les relations entre la plante et son environnement et permettent d’estimer les rendements et la qualité des récoltes, ainsi que des variables liées à l’impact de la culture sur son environnement. Ils représentent la croissance de la plante au pas de temps journalier en fonction des conditions météorologiques, de la disponibilité en eau et nutriments dans le sol, ainsi que de caractéristiques variétales. Ils peuvent être utilisés pour l’optimisation (décisions stratégiques et tactique) ou la gestion (décisions opérationnelles) des scénarios de conduite des cultures dans le but de maximiser les rendements et leur qualité et limiter les émissions indésirables (lixiviation, émissions de gaz à effet de serre). L’assimilation des données peut améliorer la capacité de prévision des modèles et réduire l’incertitude des simulations. Grâce à la télédétection, qui permet de recueillir des données spatialisées couvrant une large surface avec un faible résolution (> 10 m), nous pouvons représenter des systèmes agricoles de l’échelle intra-parcellaire à régionale, afin d’évaluer l’impact de différentes stratégies de gestion sur les rendements et l’environnement. Les méthodes de proxidétection par des vecteurs aériens ou terrestres fournissent des informations complémentaires à la télédétection à des résolutions spatiales et temporelles plus fines. Outre pour la gestion des cultures, ces méthodes de proxidétection sont développées pour le phénotypage haut-débit pour la sélection variétale. L’assimilation de données issues du phénotypage rapide permet la caractérisation des interactions génotypes x environnement dans des essais multi-environnements, où d’analyser la variabilité génétique de caractères non mesurables, ou seulement ponctuellement. L’objectif de ce stage de Master est d’évaluer des méthodes d’assimilation dans un modèle de culture (SiriusQuality ; http://www1.clermont.inra.fr/siriusquality/) de données provenant de différentes sources (Sentinel 2, drône, Phénomobile). Plus précisément, l’étudiant.e évaluera une méthode hybride d’assimilation de données (teneur en eau du sol, indice foliaire et concentration en chlorophylle) combinant des méthodes d’estimation des conditions initiales et paramètres du modèle de culture et une méthode originale de filtres particulaires (Chen, Trevezas, Cournede, 2014 ; doi.10.1137/1.9781611973273.10) développées dans le cadre d’une collaboration avec la start-up agricole Cybeletech. Ces données permettront d’améliorer la représentation de la croissance de la plante tout en réduisant l’incertitude. L’étudiant.e sera impliqué.e dans le choix de la méthode d’estimation des valeurs initiales et paramètres, ainsi que dans le couplage avec la méthode d’assimilation. Il/Elle devra ensuite implémenter et tester ces méthodes dans le modèle SiriusQuality. A l’issue du stage, la méthode développée sera validée sur deux autres modèles du culture (STICS et Monica) et sera intégrée dans un outil d’aide à la décision développé par Cybeletech.

Mathématiques Appliquées (développement logiciels scientifiques, calcul numérique) – Agronomie spécialité TIC

Optimisation numérique pour la pulvérisation de précision en viticulture : obtention de cartes d’intervention maximisant  le niveau de protection associé à des dosages réduits

Mots-clés : Optimisation, efficience de pulvérisation, risque de maladie, segmentation de cartes

  • Durée / Date de démarrage souhaitée : 4 à 6 mois, avril 2020
  • Unités de recherche : MISTEA, Inra Montpellier
  • Contact : patrice.loisel [AT] inra.fr
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole) / Challenge 3 : La protection des cultures

L’essor de l’accès à des informations spatialisées à l’échelle d’une parcelle agricole ainsi que les innovations techniques permettent d’ajuster spatialement les interventions culturales sur les parcelles en tenant compte de l’hétérogénéité spatiale. L’agriculture de précision ouvre ainsi la possibilité de réduire l’usage de produits phytosanitaires tout en préservant les performances agronomiques, enjeu particulièrement important pour la filière viticole, grande consommatrice d’intrants phytosanitaires (10 à 24 traitements par an selon les contextes de production). Le stage s’inscrit dans le thème de la pulvérisation de précision en viticulture dans la continuité des actions menées à l’IFV au sein de l’UMT EcoTechViti, et à l’UMR ITAP et vise à mobiliser des méthodes d’optimisation originales développées à l’UMR MISTEA en terme de zonage de cartes (paquet R ‘Geozoning’). Contrairement au schéma habituel de définition de zones d’actions par pré-traitement de cartes de végétation indépendamment des actions culturales et de leurs contraintes, nous proposons ici d’optimiser la définition même des cartes d’actions en la guidant par une fonction représentant le niveau de protection effectivement atteint et une gestion du risque souhaitée par le viticulteur. Cette approche peut également permettre de tenir compte, pour la génération des cartes, des observations en cours de saison (typiquement observation de foyers pour les maladies cryptogamiques). L’objet du stage consistera à implémenter et tester un algorithme d’optimisation numérique de la carte des doses pulvérisées en se basant sur la modélisation d’une fonction de protection répondant aux objectifs du viticulteur. La première étape consistera à formaliser en relation avec les agronomes le problème d’optimisation du niveau de protection (par exemple à partir d’un pourcentage de ceps sous-traités calculé à partir de la dose pulvérisée, de l’efficience de pulvérisation et d’un attribut mesuré comme la densité végétale Lidar). Dans un second temps, le stagiaire étudiera en relation avec des mathématiciens l’usage de la méthode d’optimisation ‘geozoning’ pour résoudre numériquement le problème. Cette étape pourra conduire à implémenter en langage R ou Python une variante ‘1d’ de l’algorithme initial en considérant l’abscisse curviligne du trajet du pulvérisateur. Enfin, des scénarios d’évaluation des cartes obtenues seront construits à partir de données acquises par l’UMT EcotechViti. Le stagiaire sera accueilli au sein de l’UMR MISTEA, encadré par Patrice Loisel et Sébastien Roux et co-encadré par Xavier Delpuech (IFV, UMT EcotechViti) et Olivier Naud (UMR ITAP, UMT EcotechViti). Ce stage sera l’occasion d’une collaboration interdisciplinaire sur les questions de gestion et de contexte économique de l’exploitation posées par les notions de « budget phyto » (dose à répartir) et de gestion localisée de risque avec des collègues de l’UMR MOISA (Isabelle Piot-Lepetit et Karine Gauche notamment).

Télédétection / Géographie – Agronomie – programmation informatique, traitement d’images et statistiques + : QGIS, R, Python)

Estimation par satellite et drone des rendements céréaliers à l’échelle des paysages dans un système agro-forestier sénégalais

Mots-clés : Satellite, drone, agroforesterie, rendements des cultures, mil, Sénégal

  • Durée / date de démarrage souhaitée : 6 mois, 03/01/2019
  • Unités de recherche : AIDA, CIrad
  • Contact : louise.leroux [AT] cirad.fr
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances,Axe 6 : Modélisation et simulation (systèmes de production agricole)- Challenge 1 :  Le challenge agroécologique,Challenge 6 :  La gestion des territoires agricoles,Challenge 8 :  Développement agricole au Sud

L’arbre fait partie intégrante des systèmes de production en petite agriculture familiale africaine et est considéré comme l’un des leviers d’amélioration de la sécurité alimentaire et des moyens de subsistance des populations tout en améliorant leur résilience face aux changements à venir (Garrity et al., 2010; Mbow et al., 2014). Ces parcs agroforestiers sont par conséquent une des voies de l’intensification durable de l’agriculture africaine. Des méthodes de suivi des performances agronomiques des parcs africains sont donc nécessaires optimiser les pratiques des agriculteurs. Avec la démocratisation de l’imagerie satellitaire à haute résolution spatio-temporelle  (Sentinel-2, Venus ou PlanetScope), l’estimation des rendements des cultures céréalières en paysage agricole complexe est aujourd’hui possible. Récemment, Leroux et al. (2019) ont montré que l’intégration d’information sur la structuration du parc arboré dans un modèle statistique d’estimation des rendements du mil par télédétection permettait d’améliorer l’évaluation des performances agronomiques du parc à Faidherbia albida au Sénégal. Ce type d’approche basée sur des rendements observés agrégés à la parcelle ne permet cependant pas de prendre en compte la variabilité intra-parcellaire des rendements due aux micro-variabilités environnementales, aux pratiques des agriculteurs ou encore à la présence des arbres. Les drones se présentent eux comme une alternative tangible pour le suivi des cultures et de leur variabilité intra-parcellaire en petite agriculture familiale (Blaes et al., 2016 ; Roupsard et al., 2019). Ils peuvent également être utilisés pour étendre les données observées sur un nombre limité de parcelles à une région plus vaste. L’objectif de ce stage est donc d’étudier les complémentarités entre des images de télédétection à haute résolution spatio-temporelle et des images de drones pour estimer la variabilité spatiale des rendements dans le parc à Faidherbia albida du bassin arachidier sénégalais. Porté par l’UR AÏDA (L.Leroux), l’UMR Eco&Sol (O.Roupsard) et l’UR AGAP (A.Audebert) du Cirad, il s’inscrit dans le cadre du projet UE-RAMSES2 (https://josianeseghieri.wixsite.com/ramsesii). Le/la stagiaire travaillera à partir d’un jeu d’images de télédétection/proxydétection acquises en 2018- 2019. Plus précisément, le/la stagiaire devra dans un premier temps tester différentes indices spectraux et/ou texturaux pour estimer les rendements du mil pour un ensemble de parcelles à partir de l’imagerie drone. Dans un second temps, à partir d’une carte d’occupation du sol précédemment produite sur la zone (Ndao et al., 2019), il s’agira d’étendre ces estimations en établissant une relation drone/satellite permettant d’intégrer la variabilité intra-parcellaire dans les estimations à l’échelle du paysage. Pour ce faire, des méthodes de fouilles de données et de géostatistiques seront mobilisées pour exploiter les complémentarités entre les différentes sources d’information. Les résultats de ce stage permettront de contribuer  au volet d’évaluation spatialisée des services écosystémiques rendus par les arbres du projet RAMSES2  et l’approche proposée sera validée sur d’autres types de parcs agroforestiers.

Informatique, application embarquée, données géolocalisées,  échantillonnage, statistiques / Agronomie – Compétences en développement d’application embarquées sous Android ; Compétences ou intérêt en statistiques (notamment échantillonnage)

Réalisation de l’application « Coffee Health Diagnostic »

Mots-clés : smartphone, modèle, terrain, café, échantillonnage, agriculteur, diagnostic, dégâts, bioagresseurs, interface

  • Durée / date de démarrage souhaitée : 6 mois, 1/1/2020
  • Unités de recherche : AMAP, Cirad
  • Contact : marc.jaeger [AT] cirad.fr
  • #DigitAg : Axe 2 : Innovations en agriculture numérique,Axe 3 : Capteurs, acquisition et gestion de données,Axe 5 : Fouille de données, analyse de données, extraction de connaissances- Challenge 1 :  Le challenge agroécologique,Challenge 3 :  La protection des  cultures,Challenge 5 :  Les services de conseil agricole,Challenge 6 :  La gestion des territoires agricoles,Challenge 8 :  Développement agricole au Sud

Le caféiculteur observe un arbre malade et se demande s’il doit traiter ses caféiers. Il prend son smartphone, active l’application ChDiag «Coffee health diagnostic», reporte les dégâts sur un caféier virtuel. ChDiag lui indique d’autres caféiers à échantillonner puis lui fournit l’estimation du niveau de dégâts sur la parcelle. Il peut prendre une décision. Ainsi, l’objectif de ce projet est de créer un outil permettant de diagnostiquer la gravité d’attaques de bioagresseurs sur une plante et à l’échelle de la parcelle. Le projet vise à contribuer à la réduction des intrants chimiques dans la protection des cultures. En effet, Liebig et al. (2016)  constatent que de nombreux producteurs font confiance à l’efficacité des traitements chimiques alors que d’autres types de traitements, comme les méthodes culturales, existent. Dans leur étude, les producteurs utilisant les traitements chimiques n’ont pas de meilleurs résultats que ceux utilisant des méthodes alternatives. ChDiag va aussi permettre une évaluation plus précise des attaques : Ribeyre & Cilas (1998) ont montré que, dans le cas du scolyte des baies du caféier, l’échantillonnage «au hasard» de dégâts visibles entrainait une importante surestimation des dégâts. Le diagnostic sur smartphone sera effectué via la saisie guidée des dégâts. Une échelle de dégâts sera représentée sur une plante type comportant des nombres de branches et fruits variables. L’utilisateur choisira la plante type ressemblant le plus à la plante réelle et y reportera les dégâts observés in situ. Un plan séquentiel d’échantillonnage orientera le producteur dans le choix des plantes à échantillonner et l’arrêtera lorsque la précision requise sera atteinte. ChDiag fournira alors l’estimation des dégâts sur la parcelle. Cet outil destiné aux producteurs de café dans les zones où le bioagresseur est présent sera spécialisé pour les dégâts causés  par une maladie foliaire, la rouille et par un scolyte, le black twig borer (attaques de branches).  Selon l’évaluation de niveau de dégâts causés, ChDiag préconisera au producteur de s’orienter vers des méthodes culturales lorsque les infestations seront inférieures au seuil épidémique. ChDiag contribuera donc à limiter l’utilisation de traitements chimiques. Une procédure pour des échantillonnages de contrôle, espacés dans le temps, lui sera recommandée. Cet outil sur smartphone, intègrera 1) une procédure statistique d’échantillonnage construite à partir de la littérature, de données d’expérimentations passées ou acquises, et validée par des partenariats (associations de caféiculteurs) établis dans le cadre de projets en cours (dont SWITCH Africa Green / EuropAid en Ouganda et PROCAGICA UE au Costa Rica) ; 2) interface de saisie géolocalisée ; 3) des conseils d’actions basés sur la littérature. Un outil de prédiction d’impact des dommages sur la production (couplage d’un modèle bioagresseur avec le modèle FSPM GreenLab) pourra être intégré ultérieurement.

Informatique – Géomatique – Analyse d’image / Agronomie – Ecologie

Segmentation d’images dans le but d’améliorer les prédictions de la biomasse des pâturages à partir de la photogrammétrie

  • Mots-clés : 3D ,Deeplearning , prairies , parcours , herbe
  • Durée / date de démarrage souhaitée : 6 mois, 1/1/2020
  • Unités de recherche : SELMET, Cirad
  • Contact : simon.taugourdeau [AT] cirad.fr
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données- Challenge 4 :  Des productions animales durables,Challenge 8 :  Développement agricole au Sud

L’estimation rapide de la biomasse d’herbe dans les pâturages est un enjeu fort pour la gestion de l’élevage de ruminants à travers le monde. En effet, en fonction de la quantité d’herbe disponible, des pratiques de gestion peuvent être mise en place. La mise en place d’un protocole de mesure indirecte pourrait permettre de simplifier fortement les estimations de rendements. La photogrammétrie permet, à partir de multiples prises de vues, de faire une modélisation en 3D d’un objet comme par exemple un couvert herbacé. Les premiers travaux au Sénégal, ont montré qu’un modèle 3D obtenu à partir d’un appareil photo est capable d’estimer un volume d’herbe et donc la biomasse disponible. Cependant la relation entre la biomasse d’herbe et le volume du couvert est fortement variable en fonction des espèces, du stade phénologique et de la structure du couvert herbacé. L’objectif de ce stage serait d’utiliser les images issues de cette modélisation 3D et des techniques de segmentation d’images afin d’évaluer le pourcentage de chaque espèce et stade phénologiques. Ces informations pourraient être ensuite remobilisées pour améliorer les prédictions de la biomasse via le volume d’herbe estimé par photogrammétrie. Ce stage reposerait sur des données produites au cours de l’été 2019 au Sénégal où des données sont collectées tous les dix jours et /ou des données collectées au cours du printemps 2020 sur des sites expérimentaux dans le sud de France. Les techniques de segmentation d’images reposeraient sur des techniques d’analyse en deep learning. La possibilité d’estimer à partir d’un appareil photographique la quantité de biomasse ouvre la perspective pour le suivi d’expérimentations mais aussi pour la mise en place d’un observatoire de la pousse de l’herbe et dans certains pays, comme les pays sahéliens, intégrer ces dispositif dans des systèmes d’alerte précoce.

Informatique / Fouille de texte – bonne connaissance des systèmes d’acquisition de données (y compris Web APIs) et des systèmes de bases de données

Acquisition et analyse de transcriptions de vidéos Youtube – La problématique de la sécurité alimentaire en Afrique de l’Ouest

Mots-clés : Fouille de données, Sécurité alimentaire, media sociaux, fouille de texte

  • Durée / date de démarrage souhaitée : 6 mois, 2/1/2020
  • Unités de recherche : TETIS, Cirad
  • Contact : roberto.interdonato [AT] cirad.fr
  • #DigitAg : Axe 5:  Fouille de données, analyse de données, extraction de connaissances – Challenge 6 :  La gestion des territoires agricoles,Challenge 8 :  Développement agricole au Sud

Le stage s’inscrit dans le cadre d’un projet interdisciplinaire concernant la gestion des risques liés à la sécurité alimentaire. Le projet est centré sur le cas de l’Afrique de l’Ouest, où les risques agricoles sont d’autant plus aigus que les services nationaux de surveillance et de suivi peuvent être défaillants faute de moyens techniques et financiers. Les objectifs globaux du projet sont doubles : (i) montrer comment les données de télédétection peuvent être enrichies par d’autres sources de données afin de les rendre plus adaptées à l’analyse de conditions de sécurité alimentaire et (ii) définir des techniques originales de fouille de données. L’analyse et l’interprétation de données agroclimatiques (par exemple, imagerie satellitaire, données climatiques) pourrait être facilitée par l’utilisation conjointes de données indépendantes provenant de sources textuelles, ce qui permettrait de localiser correctement les risques agricoles à l’échelle régionale, en temps quasi-réel. Néanmoins, l’obtention de données textuelles de qualité et leur analyse sont des tâches complexes. Le stage est axé sur l’acquisition et l’analyse de données textuelles sur le thème de la sécurité alimentaire provenant de la transcription textuelle du contenu audio de vidéos Youtube. La zone géographique d’étude est le Burkina Faso. L’idée est de traiter une source d’information représentant une alternative inexplorée à celles qui sont exploitées classiquement dans les processus de construction des corpus textuels et dans des tâches de fouille de texte (par exemple, journaux, articles scientifiques, plateformes de médias sociaux classiques).  Le chaîne Youtube gérée par la RTB – Radiodiffusion Télévision du Burkina, qui contient près de 12000 vidéos, a été ciblée pour cette analyse. En choisissant un canal officiel, nous visons un compromis idéal entre les aspects dynamiques du contenu des médias sociaux et la qualité de l’information des sources officielles. L’hypothèse est que les vidéos diffusées par une chaîne d’information officielle sont plus susceptibles de contenir de l’information utile (c.-à-d. reportages, documentaires, entrevues, tournages d’événements officiels, etc.). De plus, le langage standard et clair utilisé dans ce type de vidéos garantit une bonne qualité des transcriptions textuelles.  Les processus d’acquisition et analyse des données seront basés sur l’utilisation d’API Web et de bibliothèques python. Les objectifs de ce stage comprennent la production d’un corpus public et d’une série de tâches d’analyse basées sur l’utilisation de techniques de fouille de texte les plus avancées (e.g., LDA, word2vec). Le livrable consistera en un document de recherche présentant les résultats du processus d’analyse, et notamment les connaissances sur la sécurité alimentaire qui peuvent être découvertes dans une telle source d’information. Le planning prévisionnel est structuré comme suit: étude du cahier des charges du corpus à constituer, définition et mise en œuvre du processus de récolte des données, constitution du corpus sur la zone d’étude, analyse du corpus, rédaction des livrables.

Informatique, IA, traitement des images / Agronomie, phénotypage

Comparaison des méthodes d’apprentissage profond ou non pour estimer la fraction de végétation verte à partir d’images RVB

Mots-clés : phénotypage, traitement d’image, deep learning, fraction de vert

  • Durée / date de démarrage souhaitée : 4-6 mois, 3/1/2020
  • Unités de recherche : EMMAH, Inra Avignon
  • Contact : frederic.baret [AT] inra.fr
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances- Challenge 2 :  Le phénotypage rapide

Le phénotypage à haut débit se développe rapidement pour les applications de sélection variétale et d’agriculture de précision. La fraction verte, c’est-à-dire la fraction de pixels verts dans une image, est l’un des traits les plus utiles pour suivre le développement de la végétation qui peut être extrait d’images à haute résolution prises à partir d’une gamme de systèmes, y compris des drones, des robots au sol et des caméras fixes pour la surveillance continue des cultures. Lorsque la résolution spatiale est suffisamment fine pour minimiser la fraction de pixels mixtes, les techniques de segmentation semblent très efficaces pour estimer la fraction verte. Elles comprennent soit des méthodes basées sur les pixels comme la classification aléatoire des forêts, soit des approches d’apprentissage profond comme le modèle Unet. Cependant, lorsque la résolution spatiale se dégrade, les pixels mixtes représentent une fraction significative de l’image. Dans ces conditions, les techniques de segmentation ont des difficultés à segmenter les pixels mélangés. L’application de techniques de super-résolution basées sur des réseaux antagonistes génératifs (GAN) pourrait permettre de récupérer la résolution spatiale afin que les techniques de segmentation précédentes puissent être encore performantes. Cependant, lorsque la résolution est trop dégradée, les techniques de segmentation et de super-résolution échouent. Dans ces cas, d’autres approches basées soit sur des indices de végétation, soit sur des modèles d’apprentissage en profondeur pourraient être développées pour obtenir des estimations de la fraction verte. Les objectifs de l’étude proposée sont d’évaluer les performances des trois types d’approches décrites ci-dessus en fonction de la résolution de l’image relative à la taille des éléments végétaux. Pour ce faire, une collection d’images RVB annotées à haute résolution (résolution meilleure que 0,5 mm) prises sur des cultures de blé sera utilisée comme référence. La résolution spatiale de ces images sera dégradée en regroupant les pixels adjacents jusqu’au point où la texture de l’image a disparu (résolution de quelques cm). Les performances des trois approches décrites ci-dessus (1 : segmentation, 2 : super-résolution + segmentation, 3 : indice de végétation ou apprentissage profond) seront évaluées sur cette plage de résolutions spatiales pour les images de référence. Les techniques peuvent être adaptées pour mieux s’adapter à la résolution spatiale réelle en utilisant des ensembles de données indépendants pour la formation.

Automatique / Phénotypage des plantes – bases solides en robotique et programmation et goût pour l’analyse d’images

Phénotypage rapide de l’hétérogénéité de développement des baies dans les grappes chez la vigne

Mots-clés : phénotypage; robotique; analyse d’image; vigne; grappes

  • Durée / date de démarrage souhaitée : 4 à 6 mois, 1/1/2020
  • Unités de recherche : LEPSE, Iinra
  • Contact : thierry.simonneau [AT] inra.fr
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données- Challenge 2 :  Le phénotypage rapide

Pour adapter la viticulture méditerranéenne au changement climatique, de fortes attentes pèsent sur la création variétale et la conception de nouvelles pratiques viticoles. Cela questionne sur les bases génétiques et physiologiques de la réponse de la vigne aux fluctuations de l’environnement. En particulier, les recherches en cours au sein de l’UMR LEPSE en collaboration avec l’UMR AGAP mettent en évidence la nécessité de prendre en compte l’hétérogénéité du développement des baies dans la grappe à la fois pour améliorer la précision des caractérisations phénotypiques, mais aussi parce que cette hétérogénéité de développement est souvent accrue en réponse aux stress abiotiques et impacte fortement la qualité de la récolte. Malheureusement, la mise en œuvre de telles caractérisations se heurte à la lourdeur des méthodologies de phénotypage alors que le génotypage bénéficie aujourd’hui de technologies à très haut débit. L’UMR LEPSE pilote des grands projets nationaux pour faire progresser ces méthodologies en s’intéressant plus particulièrement aux dispositifs automatisés en milieu contrôlé. L’objectif du stage proposé est de faire évoluer les automatismes dédiés à l’acquisition et au prétraitement d’image dans la plate-forme de phénotypage PhénoArch pour analyser l’hétérogénéité du développement des baies dans la grappe. Le projet s’appuiera sur les équipements et les mécanismes en place dans la plate-forme qui permettent : de positionner la plante dans une cabine d’imagerie vis-à-vis des caméras de prise de vue latérales et zénithale ; de positionner une caméra latérale (en hauteur et en distance à l’objet) vis-à-vis de la plante ; de prétraiter l’image pour rétrocontrôler si nécessaire le positionnement de la plante et de la caméra latérial. Le projet fera appel à des méthodes de robotique et de machine learning. Il s’agira de développer un algorithme d’automatisation du placement de la caméra et de la plante qui permette d’optimiser (qualité et rapidité) la prise d’image sur la grappe et l’identification d’un maximum de baies dans la grappe à partir de l’ensemble des vues prises par les différentes caméras. Le ou la stagiaire pourra s’appuyer sur un projet similaire ayant permis d’automatiser la détection et la mesure du développement précoce de l’épi sur des plants de maïs dans la même plate-forme (Brichet et al. 2017. Plant Methods 13:96). Il bénéficiera de l’expertise du responsable de la plate-forme (accès au code et connaissances de la robotique), d’un ingénieur spécialiste de la reconnaissance des formes sur des images de plante et éventuellement des collègues du LIRMM ayant contribué à la réussite du projet précédent sur l’épi de maïs. Des plantes de vignes en pots de divers génotypes seront préparées en serre dans l’hiver 2019-2020 afin d’être disponibles pour la mise au point de la méthode.

Informatique (web-based AR ; location-based AR ; SIG) / Agroforesterie – Modélisation

La réalité augmentée pour accompagner la conception de systèmes agroforestiers

Mots-clés : réalité augmentée ; agroforesterie ; conception de plantation ; impact visuel

  • Durée / date de démarrage souhaitée : 6 mois, 1/1/2020
  • Unités de recherche : SYSTEM, Inra
  • Contact : marie.gosme [AT] inra.fr
  • #DigitAg : Axe 2 : Innovations en agriculture numérique- Challenge 1 :  Le challenge agroécologique,Challenge 8 :  Développement agricole au Sud

L’agroforesterie est reconnue au niveau national et international comme une voie de développement d’une agriculture durable, résiliente face au changement climatique et permettant de lutter contre le changement climatique. Cependant son adoption par les agriculteurs reste faible. Au-delà des questions techniques (faisabilité technique, compétences sur la gestion des arbres) et économiques (manque de références économiques sur les coûts et les bénéfices associés à l’agroforesterie), un frein important à l’adoption de cette pratique est le changement d’échelle temporelle que cela nécessite : l’agriculteur, habitué à réfléchir à un pas de temps annuel ou de quelques années, peine à se projeter sur l’échelle de plusieurs décennies de la croissance des arbres. De plus, du fait de la complexité de ces systèmes, le nombre de combinaisons d’espèces, de configurations spatiales, d’options de gestion des arbres et des cultures est vaste et le choix d’un système particulier doit être adapté aux contraintes pédo-climatiques, aux débouchés disponibles localement et aux objectifs de l’agriculteur. Les agriculteurs ont donc besoin d’un accompagnement pour la conception de leur système, sous forme d’ateliers de conception ou d’accompagnement individuel. Les nouvelles technologies peuvent faciliter cet accompagnement et favoriser l’adoption de l’agroforesterie. En particulier, la réalité augmentée (superposition d’objets numériques sur des images du monde réel) offre la possibilité de visualiser différentes options et de se projeter dans différents scénarii futurs afin de choisir le plus souhaitable pour entamer une démarche de changement. L’agroforesterie est un cas d’étude idéal : d’une part,  l’introduction d’arbres modifie profondément l’aspect des parcelles et des paysages, des outils de visualisation seraient donc très efficaces ; et, d’autre part, la croissance des arbres est lente et les conséquences des choix de l’agriculteur ne se révèlent que plusieurs décennies après, d’où l’utilité d’outils de visualisation en temps accéléré. Le stage définira une méthodologie et un environnement technique permettant de construire des systèmes agroforestiers virtuels, de les décrire et les représenter in situ. On se propose d’explorer deux utilisations complémentaires de la réalité augmentée (AR) : la marker-based AR pour démultiplier les possibilités de visualisation lors d’ateliers de conception (en plaçant des marqueurs sur une carte, ou pourrait visualiser l’évolution dans le temps des arbres, voire même visualiser ces arbres sur un modèle numérique de terrain superposé à la carte) et la geolocation-based AR (suite à la conception de son système agroforestier, l’agriculteur pourrait visiter ses parcelles et visualiser leur aspect 10, 20 ou 40 ans plus tard). Les applications envisagées sont, dans un premier temps, les systèmes agroforestiers tempérés, pour lesquels les modèles de croissance 3D d’arbres existent déjà au sein d’AMAP (noyers, peupliers, merisiers), puis des systèmes agroforestiers tropicaux (thèse en cours sur  l’architecture d’espèces forestières  associées à la culture du caféier en Côte d’Ivoire).

 Informatique, IA – Apprentissage profond et analyse d’image/ Agronomie

Fusion de données satellitaires multi-temporelle et multi-échelle à travers des méthodes d’apprentissage profond pour la cartographie de l’occupation du sol

Mots-clés : Télédétection, Occupation du Sol, Deep Learning, fusion d’imagerie multi-source

  • Durée / date de démarrage souhaitée : 6 mois, 2/1/2020
  • Unités de recherche : TETIS, IRSTEA
  • Contact : dino.ienco [AT] irstea.fr
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances- Challenge 6 :  La gestion des territoires agricoles

De nos jours, de plus en plus de données issues de missions satellitaires à l’instar du programme européen Sentinel sont produites et rendues disponibles, offrant la possibilité de suivre une même zone géographique continuellement dans le temps grâce à une répétitivité d’acquisition davantage accrue.  En effet, les satellites Sentinel-1(A/B) et Sentinel-2(A/B) acquièrent respectivement des images radar et optique de la Terre avec une fréquence temporelle d’environ 5 jours sur la même zone géographique et une résolution spatiale allant jusqu’à 10 mètres. Les séries temporelles d’images satellitaires ainsi générées représentent une source d’information non négligeable pour gérer de manière efficiente notre agriculture et adapter nos pratiques culturales face à l’enjeu majeur qu’induisent les changements déjà perceptibles du climat. Cependant, le besoin de mettre en place des méthodes pour gérer et analyser efficacement et avec robustesse cette quantité importante et hétérogène de données est toujours d’actualité.  C’est dans cette optique que s’inscrit la présente proposition de stage. Dans la continuité des travaux passés de Mme Paola Benedetti (stage de master DigitAg en 2018) et actuels de M. Jean Eudes Gbodjo (thèse DigitAg), nous voulons développer des méthodes innovantes basée sur l’apprentissage profond et notamment les réseaux de neurones pour cartographier l’occupation du sol qui est une entrée fondamentale des systèmes de suivi de cultures, en couplant des séries temporelles radar (Sentinel-1) et optique (Sentinel-2) à 10 mètres de résolution spatiale avec des images satellitaires SPOT 6/7 à très haute résolution spatiale (THRS – 1,5 mètres) dont la répétitivité d’acquisition annuelle est plus modeste. Les images satellitaires seront mises à disposition à travers les plateformes de distribution THEIA et PEPS et l’Equipex GEOSUD. Les méthodes développées seront évaluées sur deux sites d’études : un premier site Nord situé en France métropolitaine dans le département du Gard et caractérisé par une agriculture conventionnelle des pays développés et un second site Sud (Koumbia) situé en Afrique de l’Ouest au Burkina-Faso et caractérisé par une agriculture paysanne. Par ailleurs, les méthodes développées pourront être étendues à d’autres sites d’études tels que l’île de la Réunion. La vérité terrain du site du Gard sera construite à travers le Registre Parcellaire Graphique (RPG) et la BD TOPO de l’IGN tandis que pour les sites de Koumbia et de l’île de la Reunion, l’UMR TETIS dispose  déjà des vérités terrain suite à des campagnes terrain.

Mathématiques et leurs applications / Informatique – forte compétence en programmation mathématique

Prise en compte de la robustesse pour l’agriculture de précision

Mots-clés : programmation mathématique, robustesse, tests

  • Durée / date de démarrage souhaitée : 6 mois, 2/1/2020
  • Unités de recherche : LIRMM, Université de Montpellier
  • Contact : rgirou [AT] lirmm.fr
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole)- Challenge 5 :  Les services de conseil agricole

Ce stage vient en support à une thèse co-financée par #DigitAg et menée par Gabriel Volte sur l’optimisation pour les services numériques en lien avec l’agriculture de précision. L’encadrement (Rodolphe Giroudeau, directeur,  avec Eric Bourreau du LIRMM, Olivier Naud, IRSTEA) sera complété pour le stage par Mickael Poss, chercheur CNRS au LIRMM reconnu dans le domaine de l’optimisation combinatoire robuste. La thèse s’inscrit dans l’objectif final d’une optimisation interactive dans le contexte de l’agriculture numérique. Dans les premiers travaux, nous avons considéré un problème d’optimisation de la vendange sélective avec des données supposées précises et exactes. Le problème est illustratif d’organisations de chantier complexes rendues nécessaires pour bien exploiter les spécificités locales des cultures. Une approche innovante mobilisant la programmation par contraintes dans un schéma général de type branch and price est en cours de développement. Avec ce stage, nous voulons aborder la question de la robustesse face à des données incertaines, qui est une étape vers l’interactivité. En effet, l’aide à la décision la plus adaptée suppose une optimisation a priori robuste puis de l’interactivité sur le terrain impliquant une ré-optimisation selon les dernières données disponibles et les préférences utilisateur. Le problème exemple s’apparente à un problème de tournées de véhicules avec des contraintes métiers bien spécifiques au domaine agricole. Cependant, divers sources d’incertitudes peuvent réellement affecter les solutions optimales obtenues dans le cas déterministe. Parmi les incertitudes notables figurent la forte variabilité locale de la culture et les erreurs quantitatives introduites par les méthodes statistiques d’estimation (par exemple, quantité en masse ou volume de vendange). Le fait d’ignorer ces incertitudes peut conduire à des solutions inexactes voire inacceptables. Pour les prendre en compte en optimisation, la notion d’incertitude peut être caractérisée soit par des variables aléatoires (approche stochastique), soit avec une approche de pire cas, avec des paramètres respectant des contraintes d’inégalité (approche robuste). Dans ce stage, nous privilégierons la seconde approche, pour son grand intérêt pratique. Nous souhaitons mesurer l’impact d’une approche robuste sur la qualité et l’acceptabilité pratique des solutions en se comparant avec les solutions obtenues sans incertitude. L’intérêt de coupler ce stage à une thèse en cours tient à la disponibilité de données réalistes et à la maitrise d’un corpus de méthodes (génération de colonnes, branch and price, programmation par contraintes) avec les outils afférents. Le/la stagiaire pourra se concentrer sur la définition du problème robuste, la mise en œuvre des méthodes, et l’analyse comparative. Nous procéderons à une batterie de tests sur des données réelles et simulées afin de mesurer l’efficacité des méthodes proposées, du point de vue de la qualité de la solution et du temps de calculs. Nous procéderons également à une étude paramétrique (par exemple variation du nombre de rangs, répartition des quantités récoltées et des incertitudes sur la parcelle, … ) afin d’évaluer ceux qui ont l’impact le plus important sur la combinatoire et les temps de calcul.

Electronique  / Systèmes embarqués / Aquaculture- Biologie marine – intérêt pour les applications liées au vivant. Plus : instrumentation

Etude des techniques de communication intracorporelle et sous-marine pour un réseau de capteurs implantés dans un poisson

Mots-clés : Aquaculture, pêche, dispositif électronique implanté, communication intra-corporelle, communication sous-marine

  • Durée / date de démarrage souhaitée : 6 mois, 2/1/2020
  • Unités de recherche : LIRMM, Université de Montpellier
  • Contact : kerzerho [AT] lirmm.fr
  • #DigitAg : Axe 2 : Innovations en agriculture numérique,Axe 3 : Capteurs, acquisition et gestion de données- Challenge 4 :  Des productions animales durables

Ces travaux se placent dans le cadre d’un projet à long terme ayant pour objectif le développement du premier réseau de capteurs implantés pour le suivi holistique de l’état de santé de poissons. Cette approche repose sur le besoin de mesurer des paramètres physiologiques à des endroits particuliers pour collecter des informations utiles sur différents processus biologiques. Par exemple, un capteur de pH ou de température dans l’estomac pour identifier les évènements d’alimentation, un capteur dans les zones de stockage des graisses afin de connaître l’énergie disponible pour une période de jeûne, un capteur dans les gonades pour identifier le cycle de développement ovocytaire sont des solutions utiles qui doivent être mises en réseau pour collecter un maximum d’informations sur l’individu. La mise en place d’un réseau de capteurs sans-fils implantés chez l’animal a bien évidemment applicable à toute espèce animale exploitée. L’étude des poissons, aussi bien dans le cadre d’aquaculture que dans le cadre d’espèces sauvages exploitées est l’application particulière que nous visons. Dans le cas de poissons vivant dans l’eau salée, un problème majeur lié au déploiement d’un tel réseau de capteur est la communication nécessaire pour la récupération des données. Le tissu biologique est un milieu contraignant pour la mise en place de communications. De plus l’eau salée a pour particularité de très fortement atténuer l’amplitude des ondes électromagnétiques et donc de limiter la portée de communications radiofréquences généralement utilisées pour la mise en place de réseaux de capteurs. L’objectif de ce stage est de mettre en œuvre et de tester différentes techniques de communication intracorporelle afin d’évaluer la possibilité de déploiement en milieu marin. Les techniques de transmission intracorporelle se classent dans deux grandes catégories : (1) Couplage galvanique : le tissu biologique est utilisé comme médium du signal ; (2) Transmission RF : le tissu biologique est utilisé comme milieu de transmission. Des résultats préliminaires ont démontré la possibilité de réaliser des communications intracorporelles au travers de poissons immergés à l’aide du protocole LoRa avec portée d’au moins 1 m dans l’eau. Le cadre applicatif étant le déploiement dans des poissons potentiellement petits pour un suivi de longue durée, les deux critères majeurs sont l’encombrement et l’autonomie des dispositifs. Par conséquent la conception des différents systèmes de communication aura pour objectif de limiter l’encombrement notamment lié à la taille des antennes et des batteries. Les tests auront comme objectifs : Valider la mise en œuvre de la communication au travers de poissons immergés / Éprouver la limite de portée des communications dans l’eau salée /        Mesurer la consommation des systèmes / Calculer un indice d’efficacité énergétique de la communication afin de comparer les différentes techniques de communication et identifier la technique permettant la plus grande autonomie.

Informatique – Sciences des données et des connaissances et technologies web / Sciences de la Vie et de l’Environnement

Développement et alignement de ressources sémantiques pour les données de l’agriculture

Mots-clés : Interopérabilité des données, ressources sémantiques, vocabulaires, ontologies, référentiels, AgroPortal, technologies du web

  • Durée / date de démarrage souhaitée : 6 mois, 1/1/2020
  • Unités de recherche : LIRMM, Université de Montpellier
  • Contact : jonquet [AT] lirmm.fr
  • #DigitAg : Axe 4 : Système d’information, stockage et transfert de données,Axe 5 : Fouille de données, analyse de données, extraction de connaissances- Challenge 1 :  Le challenge agroécologique,Challenge 2 :  Le phénotypage rapide,Challenge 4 :  Des productions animales durables,Challenge 6 :  La gestion des territoires agricoles

Les ressources sémantiques (e.g., thesaurus, terminologies, vocabulaires et ontologies) sont des éléments clés pour assurer l’interopérabilité des données. Dans certains domaines de recherche en agronomie (e.g., phenotypage), les scientifiques développent déjà des ressources sémantiques pour faciliter l’intégration de leurs données avec d’autres et permettre l’extraction de connaissances e.g., Crop Ontology ou OEPO (Ontology for Experimental Phenotypic Objects). Cependant, bien souvent les personnes concernées ne sont pas nécessairement des scientifiques, qui ont l’opportunité de s’intéresser au monde du web sémantique, mais des acteurs du monde agricole, qui produisent ou utilisent des référentiels simples et souvent spécifiques à une filière. Par exemples, le référentiel des stades phénologiques de la vigne ou la liste des variétés en vigne produit par l’IFV (Institut Français de la Vigne et du Vin) ou le référentiel de produits phytosanitaires produit par l’ACTA. Récemment, une première étape a été franchie avec la mise à disposition de certains de ces référentiels sur la plateforme de partage de données agricoles, API-AGRO (https://plateforme.api-agro.fr). Mais pour aller plus loin dans le partage et la réutilisation de ces référentiels, il est nécessaire d’adopter les principes FAIR (Findable, Accessible, Interoperable and Reusable). Le projet ANR D2KAB (www.d2kab.org), démarré en 2019, regroupe un consortium multidisciplinaire unique de 7 organisations dont 4 dans DigitAg (UM, INRA, IRSTEA, ACTA + et un partenariat avec API-AGRO) dont l’objectif principal est de mettre en place les processus permettant de transformer les données d’agronomie et de biodiversité en connaissances – sémantiquement riches, interopérables, ouvertes – ainsi que les méthodes scientifiques et les outils pour exploiter et diffuser ces connaissances dans des applications scientifiques et agricoles. Le projet est guidé par plusieurs scénarios : emballage alimentaire, bulletin de santé du végétal, phénotypage du blé, écosystèmes et biogéographie des plantes. D2KAB développe et maintient AgroPortal (http://agroportal.lirmm.fr), un portail de ressources sémantiques pour l’agronomie et l’agriculture. L’objectif de ce stage est de développer des ressources sémantiques à partir des référentiels existants en agriculture entre autres en les encodant avec les technologies du web sémantique (e.g., SKOS, la recommandation du W3C pour les thésaurus et vocabulaires contrôlés) et en les alignant avec des thesaurus ou vocabulaires standards en agronomie quand c’est possible. Nous travaillerons en partenariat avec les producteurs de ces référentiels (instituts techniques, ministères, industriels) pour les impliquer dans le processus et les associer à la standardisation et la mise à disposition dans AgroPortal de leurs ressources. Le stage se situera en particulier dans le cadre du scenario de développement d’un lecteur sémantique augmenté pour les Bulletins de Santé du Végétal en partenariat avec IRSTEA, ACTA et API-AGRO.

Agronomie – Modèles de culture / Mathématiques et leurs applications – Profil recherché : Modélisateur de cultures, statisticien spatial

Comparaison de mesures de sensibilité communes pour l’évaluation d’un modèle de culture multi-échelle

Mots-clés : Modèle spatial des cultures, indices sobols, variabilité spatiale

  • Durée / date de démarrage souhaitée : 6 mois, 3/1/2020
  • Unités de recherche : ITAP, IRSTEA
  • Contact : james.taylor@irstea.fr
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole)- Challenge 3 :  La protection des  cultures,Challenge 5 :  Les services de conseil agricole

Les modèles de culture sont en train d’être ajustés pour accepter des données à haute résolution afin de fournir des prévisions en cours de saison à l’échelle de la ferme, du champ et du sous-champ, c’est-à-dire que les modèles et les données d’entrée deviennent de plus en plus scalaires par nature. Un projet récent (de Dr Taylor) a incorporé avec succès des images haute résolution d’UAV (et de leurs dérivés) dans un modèle bien connu de culture de pommes de terre. À l’aide de critères de modélisation très élémentaires, comme la RMSE, le projet a permis d’améliorer les prévisions lorsque les données d’imagerie des UAV étaient utilisées (par rapport au modèle original). Toutefois, plusieurs limites ont été relevées dans cette approche. Seules des prédictions à la même échelle peuvent être comparées, alors qu’une question clé est d’identifier l’échelle optimale (empreinte spatiale) pour faire fonctionner le modèle. mesure que l’empreinte de la modélisation change, l’influence des effets stochastiques sur le comportement du modèle changera (tant en ce qui concerne le gain d’information supplémentaire potentiel que l’augmentation potentielle du ” bruit “). Il est essentiel d’en tenir compte pour déterminer une échelle de modélisation privilégiée (résultats) en présence d’intrants à différentes échelles. Dans le cadre du projet Tuberzone, une vaste base de données sur les cultures à l’échelle du point, de la zone et du champ est disponible pour permettre la modélisation des cultures à diverses échelles. Dans le cadre de ce projet de maîtrise, le modèle existant sera exécuté à diverses échelles et avec diverses échelles d’entrée (qui peuvent être ajustées en échelle par interpolation ou sous-échantillonnage). L’analyse de sensibilité fondée sur la variance, utilisant principalement des approches fondées sur Sobol, sera ensuite testée sur des permutations d’entrées et de sorties de modèles à l’échelle afin de comprendre dans quelle mesure ces analyses de sensibilité existantes permettent d’évaluer le comportement du modèle spatial des cultures. En particulier, un objectif clé est de commencer à comprendre comment les structures de variance spatiale, qui existent dans ces données, sont prises en compte (et pourraient potentiellement être mieux prises en compte). Ce projet de maîtrise sera axé sur l’application et la performance d’indices d’analyse de sensibilité à un modèle de culture spatialisé connu. Il n’est pas nécessaire de comprendre la mécanique du modèle de culture ou la phénologie/agronomie sous-jacente. Le critère clé est que l’étudiant soit capable de travailler dans l’espace (géo-) statistique. Un projet de doctorat qui élargit ces idées a été accepté par #DigitAg en 2019, mais malheureusement le candidat sélectionné a refusé l’offre. On espère que ce projet de maîtrise permettra d’identifier un étudiant qui pourrait éventuellement poursuivre des études supérieures dans ce domaine.