Offres de stage : sujets de Masters 2 2019-2020

#DigitAg propose des financements de stage de master 2

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

Des offres sont en cours et de nouveaux sujets dans différentes disciplines seront publiés en octobre 2019

Un sujet vous intéresse ? Rapprochez-vous du responsable indiqué en contact.

Lieux de stage : Montpellier, sauf indiqué Toulouse ou Rennes, voire missions à l’étranger.

 

Agronomie & Informatique – TIC

Spécialisation d’un réseau de neurone de localisation et segmentation pour la mise en place d’un outil d’évaluation des rendements du manguier par analyse d’images

Mots-clés : Machine-learning, réseau de neurones, détection de mangue, rendement, Sénégal

  • Durée / Date de démarrage souhaitée : 6 mois / mars 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 des cultures aux stades phénologiques pertinents afin d’éclairer les décisions des agriculteurs. À ce jour, l’estimation du rendement dans les vergers tropicaux repose encore sur une inspection visuelle d’un échantillon limité d’arbres, méthode fastidieuse, longue et peu précise (Linker et al., 2012). 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. Dans ce domaine, les Réseaux de Neurones Convolutifs ont récemment montré leur excellente capacité à dénombrer des fruits (Bargotti et al. 2016, 2017) et plus particulièrement des mangues (Sa et al. 2016). Si les réseaux « savent » dénombrer, la question de recherche porte désormais sur leur capacité réelle à qualifier les fruits, i.e. à identifier parmi les fruits détectés dans les images ceux qui seront réellement récoltés à terme par l’exploitant. Le stage proposé s’inscrit dans ce contexte particulier et complète une thèse #DigitAg actuellement en cours sur les estimations des rendements du manguier en Afrique de l’Ouest. Porté par l’équipe « Evaluation et conception de systèmes horticoles » de l’UR 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. 2018). Le / la stagiaire travaillera à partir d’un jeu d’images conséquent collectées au Sénégal en 2017-2018 sur trois points spécifiques à haute valeur ajoutée scientifique en agriculture numérique : – la spécialisation du réseau Faster-RCNN (Ren et al. 2017) pour le comptage automatique de fruits en pré-récolte et leur qualification phénologique ; – 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 »,… ; – la segmentation des surfaces de mangue détectées pour évaluer leur niveau de récoltabilité. Dans un premier temps, les résultats de ce stage viendront nourrir la thèse #DigitAg pour analyser la variabilité du rendement en fonction des paramètres structuraux des arbres. Dans un deuxième temps, ils poseront les bases d’un outil opérationnel pour le producteur pour le comptage de mangues sur l’arbre avant la récolte. Cet outil d’estimation des rendements du manguier par analyse d’images pourra être transposé à d’autres spéculations.

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).

Des offres sont en cours et de nouveaux sujets dans différentes disciplines seront publiés en octobre 2019

en attendant, voir les sujets proposés les années précédentes