Offres de thèses : campagne 2019

#DigitAg propose des thèses pour des sujets de recherche interdisciplinaires, cofinancées avec ses établissements membres

Le plus : les doctorants bénéficieront aussi d’une aide pour financer leurs travaux (équipement, colloques…).

Les sujets affichés ont été sélectionnés par #DigitAg qui les co-financent avec l’établissement d’accueil :
pour en savoir plus > rapprochez-vous du contact indiqué pour le sujet qui vous intéresse

Sujets sélectionnés pour la rentrée 2019  :

 

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement

Modéliser la performance de cultures associées annuelles : une approche combinant écologie fonctionnelle et science des données

Mots-clés : Agroécologie, cultures associées, data science, modélisation, fouille de données, apprentissage, phénotypage

  • Contact : Noémie Gaudio – noemie.gaudio [AT] inra.fr
  • Directeur(s) de thèse : Nadine Hilgert, Inra MISTEA,
  • Encadrant(s) : Nadine Hilgert, Inra MISTEA / Pierre Casadebaig, Inra AGIR / Noémie Gaudio, Inra AGIR
  • Unités d’accueil : AGIR (Inra Toulouse), MISTEA (Inra Montpellier)
  • Cofinancement :  INRA
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 1 : Le challenge agroécologique, Axe 5 : Fouille de données, analyse de données, extraction de connaissances

L’utilisation de la diversité végétale cultivée émerge comme l’un des leviers pour s’orienter vers une agriculture durable. En effet, la diversité d’une communauté végétale naturelle augmente et stabilise la production primaire via des effets de complémentarité entre plantes. Pour l’agriculture, l’enjeu actuel est de déterminer quels mélanges d’espèces améliorent la performance globale du système via une meilleure utilisation des ressources environnementales disponibles dans le système de culture considéré. Bien que l’intérêt agronomique de ces couverts mélangés (i.e. cultures associées) ait été mis en évidence expérimentalement en contexte bas intrants, les conclusions de ces travaux soulignent la variabilité des résultats selon les conditions environnementales et les pratiques agronomiques.

Notre objectif est de développer des approches prédictives basées sur des concepts issus de l’écologie des communautés pour concevoir des couverts mélangés. Ces théories suggèrent que deux processus sont particulièrement impliqués dans la performance des couverts mélangés : la complémentarité de niches, d’une part, peut être quantifiée par la distance entre des traits fonctionnels clés (caractéristiques morphologiques et physiologiques de la plante) des composantes du mélange ; la plasticité phénotypique, d’autre part, peut être quantifiée par la variance des ces traits entre différentes conditions de culture.

Pour cela, nous disposons d’une large base de données constituée de plusieurs dizaines d’expérimentations agronomiques, qui rassemblent des mesures de traits sur une dizaine d’espèces, chacune représentée par plusieurs variétés et dans de nombreux environnements (sites, années). A partir de ces mesures et de variables pédo-climatiques, nous mobiliserons des approches de science des données pour réduire la dimension des données observées (fouille de données) et prédire la performance (statistiques, apprentissage) des couverts dans une large gamme d’environnements de culture.

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement

Méthodes et indicateurs pour évaluer la spatialisation des modèles de culture pour l’Agriculture de Précision : application à un modèle d’état hydrique de la vigne

  • Mots-clés : modélisation des cultures, spatialisation, vignobles
  • Contact : Taylor, James – james.taylor@irstea.fr
  • Directeur(s) de thèse : Taylor, James, ITAP, Irstea / Tisseyre, Bruno, ITAP, Montpellier SupAgro
  • Encadrant(s) : Taylor, James, ITAP, Irstea / Roux, Sebastien, MISTEA, INRA / Tisseyre, Bruno, ITAP, Montpellier SupAgro
  • Unités d’accueil : ITAP, MISTEA
  • Cofinancement :  Irstea
  • #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 5 : Les services de conseil agricole, Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 3 : La protection des cultures

Cette thèse étudiera comment les données agricoles spatiales et temporelles à haute résolution peuvent être incorporées dans les modèles de culture existants pour en améliorer les capacités prédictives à court terme. L’objectif est de rendre les modèles de culture plus utiles pour la gestion tactique à court terme à l’échelle intra-parcellaire. Contrairement à la plupart des travaux antérieurs sur la spatialisation d’un modèle de culture, ce projet réduit l’échelle d’application du modèle de culture afin de fournir des prévisions à une résolution spatiale et temporelle plus fine. Cela augmente le risque que les effets stochastiques et d’autocorrélation spatiale et temporelle des données d’entrée aient un impact négatif sur la simulation du modèle. Cela soulève également la question de l’effet de la modification de l’échelle des données d’entrée et de sortie sur la qualité de la simulation. Pour répondre à ces préoccupations, un modèle d’état hydrique de la vigne (HV) sera utilisé comme scenario de test. Le modèle HV sera spatialisé avec des informations à haute résolution, relative au couvert végétal et au sol. L’échelle spatiale des données d’entrée et de sortie sera modifiée pour observer les effets sur la simulation du modèle.s. Dans le cadre du projet, les bonnes méthodes d’évaluation de la performance du modèle de culture spatialisé (selon des échelles changeantes d’intrants et d’extrants), qui tiennent compte de l’autocorrélation spatiale potentielle des données et des extrants, seront examinées pour assurer une évaluation scalaire correcte de la performance du modèle.

L’originalité de la thèse sera le développement de méthodes d’évaluation de modèles de cultures spatialisé pour des applications en agriculture de précision (gestion modulée des cultures). Le fait de relier les quantités croissantes de données agricoles observées avec les connaissances physiologiques captées dans les modèles de culture est un domaine où l’agriculture numérique peut avoir un impact rapide et à court terme pour l’amélioration du pilotage des cultures et une meilleur gestion des intrants. Les modèles de culture spatialisés peuvent être utilisés aux niveaux national et régional pour la sécurité alimentaire, la politique agricole et la gestion de la chaîne d’approvisionnement. Ils ont également le potentiel d’améliorer la gestion tactique pour une conduite modulée des opérations agricoles, et la présente thèse se propose d’explorer cette voie. Elle utilisera des données spatio-temporelles relatives à l’évolution des couverts végétaux, des produits numériques de cartographie des sols et les services les plus récents pour caractériser le vignoble afin de générer des informations à l’appui d’un modèle HV utilisable pour le pilotage de l’irrigation par exemple.

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement

Caractérisation de la variabilité de réponse de plantes à des stress multiples par imagerie hyperspectrale et approches omiques :  Application à la culture du blé

  • Mots-clés : Multi capteurs ; stress biotiques et abiotiques ; analyse d’image ; traitement et fusion de  de données ; apprentissage machine
  • Contact : Nathalie Gorretta – nathalie.gorretta [AT] irstea.fr
  • Directeur(s) de thèse : Ryad Bendoula, Irstea ITAP / Pierre Roumet, Inra AGAP
  • Encadrant(s) : Nathalie Gorretta, Irstea ITAP / Elsa Ballini, Montpellier SupAgro BGPI / Martin Ecarnot, Inra AGAP
  • Unités d’accueil : ITAP, AGAP
  • Cofinancement :  Irstea

#DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 3 : La protection des cultures, Axe 2 : Innovations en agriculture numérique,Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 1 : Le challenge agroécologique,Challenge 2 : Le phénotypage rapide

Le développement de nouvelles pratiques agricoles basées sur des principes d’agro-écologie, nécessite d’être en capacité d’analyser des interactions complexes entre les plantes et leurs environnements biotiques et abiotiques. Cette mise en capacité d’analyse des stress multiples nécessite, d’une part, d’adopter un cadre conceptuel nouveau comme le phytobiome ou le phénotype étendu, et d’autre part, de coupler des méthodologies qui permettent d’analyser le phénotype de la plante entière -ou de certains organes- à différentes échelles. Dans ce travail, nous proposons de combiner des approches innovantes basées sur l’interaction lumière-matière à des approches plus classiques ‘en omiques’ pour caractériser la variabilité de réponse du blé dur à des stress multiples : biotiques (Septoriose, Rouille brune) et abiotique (contrainte hydrique).

Sciences Humaines et Sociales

Effets du numérique sur la R&D agricole. Nouveaux modèles de services pour nouvelles agricultures ?

Mots-clés : Digitalisation, R&D, conseil, partenariat public-privé, économie institutionnelle, organisations collectives

  • Contact : Pierre Labarthe – pierre.labarthe [AT] inra.fr
  • Directeur(s) de thèse : Pierre Labarthe, Inra AGIR / Jean-Marc Touzard, Inra Innovation
  • Encadrant(s) : Toillier, Aurélié, Innovation, CIRAD / Labatut, Julie, Agir, INRA / Vermeulen, Ben, , Université de Hohenheim
  • Unités d’accueil : AGIR (Inra Toulouse), INNOVATION (Inra Montpellier)
  • Cofinancement :  Inra
  • #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 5 : Les services de conseil agricole

L’objectif de la thèse est d’analyser l’effet de la digitalisation de l’agriculture sur le fonctionnement de la R&D du secteur. Il s’agit de comprendre comment le numérique transforme les organisations collectives dont les agriculteurs se sont dotés pour produire des connaissances sur les technologies qu’ils utilisent. L’hypothèse est que la digitalisation se traduit par la construction d’un marché des outils d’aide à la décision (OAD) ainsi que par de nouvelles alliances et concurrences dans la valorisation des données produites par, pour et avec les agriculteurs. Le développement des technologies numériques s’accompagne de l’arrivée de nouveau acteurs dans le paysage des services de conseil et de recherche appliquée (start-ups, multinationales…). Il est nécessaire d’analyser comment l’arrivée de ces acteurs transforme les modèles de production des services pour les agriculteurs, mais également les relations entre acteurs de la R&D ainsi que les institutions qui la régulent. Une attention particulière sera portée au développement des modèles agronomiques qui sous-tendent les outils d’aides à la décision. Quelles sont les sources de connaissances ? Qui investit dans la construction des modèles et leur validation ? Ces modèles sont-ils compatibles avec une écologisation des pratiques agricoles ? La thèse s’intégrera sur un projet européen pour proposer une comparaison entre France, Royaume-Uni et Pays-Bas. La méthodologie s’appuiera sur un travail d’enquêtes auprès des acteurs publics et privés de la R&D et de l’offre de services aux agriculteurs. Une étude plus approfondie sera menée sur le développement d’un nouveau service afin de mettre à jour les alliances et investissements sur lesquels s’appuie son développement. Cette thèse renforcera les relations entre les laboratoires AGIR et Innovations ; elle s’inscrira dans une pluridisciplinarité entre économie et sciences de gestion.

Sciences Humaines et Sociales

Le numérique dans la transition agroécologique : développement, contributions et enjeux des organisations open source à destination des paysans

  • Mots-clés : Open source, transition agroécologique, petits producteurs, organisation alternative, espace hybride
  • Contact : PALPACUER Florence – florence.palpacuer@umontpellier.fr
  • Directeur(s) de thèse : PALPACUER Florence, Montpellier Recherche en Management, Université de Montpellier / KESSARI Myriam, MOISA, Institut Agronomique Méditerranéen de Montpellier
  • Encadrant(s) : PAGET Nicolas, UMR Innovation, CIRAD / DEMIL Benoit, Lille Economie et Management (LEM), UMR 9221, Université de Lille / à préciser, à préciser, à préciser
  • Unités d’accueil : Montpellier Recherche en Management (EA 4557), MOISA
  • Cofinancement :  Université de Montpellier
  • #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 0 : sujet transversal, Axe 2 : Innovations en agriculture numérique, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur

Les analyses récentes de l’évolution des systèmes alimentaires vers une transition agro-écologique soulignent l’importance de i) la création et la mobilisation de savoirs issus de l’agro-écologie, ii) l’engagement des acteurs (agriculteurs, conseillers agricoles…) dans la construction et l’adaptation de ces savoirs aux territoires, et iii) une reconnexion de la production agricole avec l’alimentation locale. Dans cette perspective, la thèse s’intéresse aux nouvelles formes d’organisation qui mobilisent l’open source pour favoriser le partage de ressources, la mise en réseau et la réappropriation d’outils agricoles par les paysans, dans une visée agro-écologique. Le champ d’étude inclue des organisations situées à différentes étapes de la chaîne de valeur, soit qu’elles offrent des plans d’outils et des techniques de travaux agricoles adaptés aux petites exploitations et aux modes de production agro-écologiques, soit qu’elles soutiennent la commercialisation, par des plateformes mettant en relation les paysans et les consommateurs.

A partir d’une étude de cas multiple, la thèse vise à comprendre comment ces organisations open source se structurent, mutualisent et génèrent de nouvelles compétences à visée agro-écologique, comment les agriculteurs s’y intègrent, et comment elles prennent en charge leurs enjeux de viabilité et de pérennité économique. S’inscrivant en sciences de gestion, la thèse puisera à des disciplines connexes telles que la sociologie, l’économie et la géographie des systèmes alimentaires, ainsi qu’à l’informatique et à l’agronomie pour mieux cerner les enjeux et spécificités techniques des activités étudiées. Elle se donne pour objectif de produire des connaissances actionnables par les praticiens, pour outiller les acteurs de la transition agro-écologique.

Sciences Humaines et Sociales

Transition numérique en agriculture : description de son déploiement et impact sur le positionnement des agriculteurs dans la chaîne de valeur

Mots-clés : Transition numérique, Adoption technologique, Appropriation, Usage, Performance économique, Chaine de valeur, Capacités organisationnelles, Avantage compétitif

  • Contact : Isabelle Piot-Lepetit – isabelle.piot-lepetit [AT] inra.fr
  • Directrice de thèse : Isabelle Piot-Lepetit, Inra MOISA / Isabelle Bourdon, Université de Montpellier MRM
  • Encadrant(s) : Karine Gauche, Montpellier SupAgro MOISA/ Magali Aubert, Inra MOISA
  • Unités d’accueil : MOISA, MRM
  • Cofinancement :  Inra
  • #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 2 : Innovations en agriculture numérique, Challenge 5 : Les services de conseil agricole

Le projet consiste à décrire l’état actuel de la transition numérique en agriculture et les directions à venir. L’objectif est de comprendre et d’expliquer les déterminants et freins à l’usage et à l’appropriation du numérique en agriculture dans une perspective qui va au-delà de la seule diffusion et adoption d’innovations. Utilisant des concepts issus des domaines de l’économie, de la sociologie et des sciences de gestion, l’approche retenue permet de caractériser l’hétérogénéité des comportements, l’évolution des métiers et les possibilités de changements quant au positionnement des agriculteurs dans la chaine de valeur. Sur le plan méthodologique, le travail développe un cadre d’analyse selon une dimension temporelle avec des points de passage entre les différentes étapes de la transition numérique. L’impact économique est appréhendé par les capacités organisationnelles qui permettent d’identifier les pratiques génératrices d’un avantage compétitif et donc d’un meilleur positionnement dans la chaine de valeur. Sur le plan empirique, des enquêtes seront conduites auprès d’agriculteurs, de conseillers agricoles, de fermes expérimentales et d’éditeurs de solutions numériques pour décrire et comprendre la transition numérique en agriculture. Des entretiens auront lieu apostériori pour vérifier les résultats obtenus à partir des enquêtes et appréhender les directions à venir de cette transition numérique.

Sciences Humaines et Sociales

Phase de candidature terminée

Agriculture numérique : le travail en question dans les exploitations agricoles. Trajectoires et coexistence dans les territoires

Mots-clés : Agriculture numérique, travail, exploitation agricole, territoire, gestion de l’exploitation, automatisation, TIC, innovation

  • Contact : Pierre Gasselin – pierre.gasselin [AT] inra.fr
  • Directeur(s) de thèse : Lucette Laurens, Université de Montpellier III Paul Valéry, UMR Innovation
  • Encadrant(s) : Pierre Gasselin Pierre, Inra UMR Innovation / Lucette Laurens, Université de Montpellier III Paul Valéry, UMR Innovation / François Purseigle, Inra AGIR
  • Unités d’accueil : Innovation (Inra Montpellier, AGIR (Inra Toulouse=)
  • Cofinancement :  Inra
  • #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 0 : sujet transversal, Axe 2 : Innovations en agriculture numérique,Axe 6 : Modélisation et simulation (systèmes de production agricole),

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 de l’agriculture. L’exploitation agricole constitue une entrée pertinente pour comprendre à la fois les conséquences de l’AN sur les mutations en cours du travail en agriculture mais également pour identifier des changements dans les stratégies de gestion de l’exploitation. Mobilisant des cadres d’analyse de la géographie économique et sociale, ce projet de thèse propose de questionner les changements induits par l’AN dans les logiques socio-économiques et territoriales des exploitations agricoles. Ces résultats nous permettront, dans un second temps, d’étudier comment l’AN reconfigure les modalités de coexistence des exploitations et des modèles agricoles dans les territoires étudiés.

Sciences Humaines et Sociales – Sciences pour l’Ingénieur

Gestion des risques, Gouvernance et Performance des Entreprises Coopératives Agricoles : Développement d’une analyse exploratoire et théorique de données et conception d’un outil de gestion des risques

  • Mots-clés : Coopératives agricoles, exploitations agricoles adhérentes, gestion des risques, gouvernance, performance, exploration de données, modélisation, revue de la littérature, outil d’aide à la décision
  • Contact : PIOT-LEPETIT Isabelle – isabelle.piot-lepetit@inra.fr
  • Directeur(s) de thèse : PIOT-LEPETIT Isabelle, UMR MOISA, INRA / TEISSEIRE Maguelonne, UMR TETIS, IRSTEA
  • Encadrant(s) : SAISSET Louis-Antoine, UMR MOISA, Montpellier SupAgro / SAUTOT Lucie, UMR TETIS, AgroParisTech / VALETTE Justine, MRM, Université de Montpellier
  • Unités d’accueil : MOISA, TETIS
  • Cofinancement :  Inra
  • #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 4 : Système d’information, stockage et transfert de données, Challenge 5 : Les services de conseil agricole

La gestion des risques économique et financier est au cœur des nouveaux challenges des coopératives agricoles en tant que levier de leur performance et de leur pérennité. Les coopératives financent leurs besoins d’investissements, mais aussi de couverture des risques en ajustant leur proportion de fonds propres et de dettes, assurant ainsi la pérennité de leurs activités en permettant d’absorber les pertes soudaines et imprévues. Le risque étant affecté par divers facteurs, l’objet de ce projet est d’une part de caractériser les relations existantes entre risque, gouvernance et performance dans les coopératives agricoles françaises et d’autre part d’identifier des structures relationnelles stables entre les différents éléments considérés afin de proposer un outil d’aide à la décision permettant aux coopératives de caractériser leurs risques et l’impact sur leur performance en fonction de leur gouvernance et de suivre leur évolution afin de mettre en place des alertes précoces et d’envisager des actions correctives rapides. Cet outil de prévention des risques pourra aussi concerner les agriculteurs adhérents des coopératives sur leur exploitation. Pour ce faire, deux méthodologies seront mobilisées : une exploration des données avec extraction de connaissances pour identifier les structures relationnelles existantes dans les données et une analyse théorique reposant sur une méta-analyse de la littérature en Economie et Sciences de gestion et l’application des cadres d’analyses recensés au jeu de données disponible. La synthèse des résultats obtenus par les deux approches retenues permettra de positionner leur complémentarité et d’identifier les éléments qui aboutissent à des conclusions similaires ou divergentes afin de caractériser des structures relationnelles stables. Par ailleurs, elle permettra la caractérisation éventuelle de nouvelles structures relationnelles non capturées par les cadres d’analyse théorique identifiés, permettant ainsi de compléter et d’étendre les connaissances existantes concernant la relation entre risque économique et financier, gouvernance et performance dans les coopératives agricoles françaises.

Sciences pour l’Ingénieur – Sciences Humaines et Sociales

Conception d’un outil d’aide à la décision basé sur les savoir-faire d’expérience combinant ingénierie des connaissances et ACV sociale. Application aux AOP fromagères

Mots-clés : Outil d’aide à la décision, Ingénierie des connaissances, traitement automatique de la langue, ACV sociale, ontologie, recommandation

  • Contact : Patrice Buche – patrice.buche [AT] inra.fr
  • Directeur(s) de thèse : Patrice Buche, Inra IATE / Catherine Macombe, Irstea ITAP
  • Encadrant(s) : Nathalie Hernandez, Université de Toulouse Jean-Jaurès IRIT,/ Pierre Bisquer, Inra IATE
  • Unités d’accueil : IATE, ITAP
  • Cofinancement :  Inra
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 4 : Système d’information, stockage et transfert de données, Challenge 5 : Les services de conseil agricole

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. Dans ce contexte, le développement actuel de méthodes d’ingénierie des connaissances permet d’une part l’alimentation de bases de connaissances et d’autre part leur exploitation par des modes de raisonnement complexes ouvrant de nouvelles perspectives en termes de préservation et réutilisation dans des systèmes de recommandation des savoir-faire issus de l’expérience opérationnelle [1]. 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 maîtriser 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.

La méthodologie générique développée dans la thèse proposera, afin d’enrichir la base de connaissance de l’OAD, d’exploiter et d’adapter des approches de Traitement Automatique de la
Langue (TAL) développés par l’équipe MELODI ( ME thodes et ingénierie des Langues, des Ontologies et du DIscours) de l’IRIT en s’appuyant sur le support sémantique apporté par l’ontologie
noyau et les ontologies de domaine d’application définis par l’équipe ICO (Ingénierie des CO nnaissances) dans le cadre du projet CASDAR DOCAMEX. L’outil d’aide à la recommandation
exploitant la base de connaissance sera enrichi d’indicateurs basés sur une méthode d’ACV sociale proposée par l’équipe E valuation des P erformances E nvironnementale et S ociales de l’UMR ITAP.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Représentation des connaissances et des raisonnements en agronomie systémique pour l’innovation en agroécologie

Mots-clés : Agroécologie – Gestion de données et de connaissances – Raisonnements – Intelligence Artificielle – Web sémantique

  • Contact : Marie-Laure Mugnier – mugnier [AT] lirmm.fr
  • Encadrement et unités d’accueil : Inria LIRMM et Inra (SYSTEM, et MISTEA)
  • Cofinancement :  Inria (co-financement acquis)
  • #DigitAg : Axe 4 : Système d’information, stockage et transfert de données, Challenge 1 : Le challenge agroécologique

La question scientifique au cœur de cette thèse est la suivante : comment représenter formellement les systèmes complexes que sont les systèmes agroécologiques, de façon à permettre une exploitation automatique de cette représentation basée sur sa sémantique ?

On se situe dans le domaine informatique de la représentation des connaissances et des raisonnements, une branche de l’intelligence artificielle qui fournit les fondements théoriques et algorithmiques des recherches à mener. Ce travail a une dimension interdisciplinaire et se fera en collaboration étroite avec les chercheurs agronomes qui étudient les systèmes agroécologiques. En effet, la compréhension des systèmes agroécologiques pose des défis communs aux deux disciplines : traitement de la complexité des processus agroécologiques et de leurs interactions, articulation de plusieurs types et formes de connaissances, représentation et gestion de processus dynamiques et multi-échelles.

Les résultats de la thèse contribueront à la création d’un outil d’élicitation, de formalisation, d’intégration et de partage de données et connaissances sur le fonctionnement et la conduite des agroécosystèmes pour la transition agroécologique de l’agriculture, et offrant différents services s’appuyant sur la sémantique de ces données et connaissances, notamment : l’exploration et le requêtage basé sur des ontologies de domaine, la vérification de la cohérence de la modélisation, l’analyse du comportement du système et l’explication des inférences effectuées, la mise en évidence des conséquences de perturbations du système (notamment dans un but d’aide à la formulation d’hypothèses scientifiques, par exemple l’association d’un certain type de plante à une culture est-elle susceptible de diminuer les attaques de bioagresseurs ?), l’évaluation de scénarios de changement technique en vue de certains objectifs (par exemple réduire les attaques de bioagresseurs).

Cette thèse sera accompagnée par des projets en partenariat avec des organismes de développement agricole qui évalueront ses produits dans une perspective d’accompagnement d’agriculteurs dans une démarche de transition agroécologique.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Interprétabilité des modèles de distribution de communautés d’espèces végétales appris par apprentissage profond – application aux adventices des cultures dans le contexte de l’agro-écologie

Mots-clés : Agro-Écologie, Réseaux de Neurones Profonds, Transfert de connaissance, Interprétabilité, Interactions, Paysage, Pratique agricole, Biodiversité, Adventices des cultures.

  • Contact : Alexis Joly – alexis.joly [AT] inria.fr
  • Encadrement et unités d’accueil ; Inria LIRMM, Université de Montpellier-LIRMM et Cirad (AMAP)
  • Cofinancement : Inria (co-financement acquis)
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 1 : Le challenge agroécologique,

La modélisation des interactions entre biodiversité, paysage et pratique agricole est un enjeu majeur de l’agro-écologie. Très récemment, des modèles environnementaux de distribution d’espèces se basant sur des réseaux de neurones profonds ont commencé à faire leur apparition. Ces premières expérimentations ont montré qu’ils pouvaient avoir un fort pouvoir prédictif, potentiellement bien meilleur que les modèles utilisés classiquement en écologie. Un de leurs avantages est de pouvoir apprendre un espace de représentation environnementale commun à un très grand nombre d’espèces et de stabiliser ainsi fortement les performances de prédiction d’une espèce à l’autre. Un premier objectif de la thèse sera d’étendre ce principe de transfert de connaissance au contexte de l’agro-écologie. Il s’agira en particulier d’intégrer des données caractérisant le paysage et les pratiques agricoles pour la prédiction des cortèges d’adventices des cultures et/ou des traits fonctionnels associés. Le deuxième objectif de la thèse sera de lever le verrou de l’interprétabilité de ces modèles afin d’en déduire de nouvelles connaissances tangibles en agro-écologie. Il s’agira notamment de qualifier l’espace de représentation environnemental appris par le réseau de neurones dans ses couches terminales, typiquement la dernière couche de description sur laquelle se base la régression ou classification linéaire finale. Les variables (neurones) de cet espace de représentation correspondent nécessairement à des motifs écologiques et environnementaux déterminants mais leur nature exacte est totalement inconnue. Dans le cas des modèles agro-environnementaux profonds visés dans la thèse, ces motifs intégreront également l’information du paysage et des pratiques agricoles. Leur analyse permettra de mieux comprendre la nécessité ou non de mettre en place des approches intégratives massives, reposant sur une grande variété de données d’entrée, ou à l’inverse, de se focaliser sur certains facteurs clés.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Définition, Conception et Évaluation d’une plateforme décisionnelle pour la mise en œuvre durable du pastoralisme

Mots-clés : Système d’information, Données hétérogènes, Pastoralisme, Transition agroécologique

  • Contact : Lucile Sautot – lucile.sautot [AT] agroparistech.fr
  • Directrice de thèse : Maguelonne Teisseire, Irstea TETIS
  • Encadrant(s) : Lucile Sautot, UMR TETIS, AgroParisTech / Magali Jouven, UMR SELMET, Montpellier SupAgro / , ,
  • Unités d’accueil : UMR TETIS et SELMET
  • Cofinancement :  AgroParisTech
  • #DigitAg : Axe 4 : Système d’information, stockage et transfert de données, Challenge 4 : Des productions animales durables, Axe 5 : Fouille de données, analyse de données, extraction de connaissances

Les systèmes pastoraux sont reconnus pour leur valeur sociale, environnementale et culturelle. Ils représentent aussi une forme d’élevage cohérente avec l’agroécologie. Leur durabilité depend notamment de leur capacité à gérer des variations spatio-temporelles dans la disponibilité des ressources pastorales. Ainsi, les animaux et les éleveurs doivent continuellement adapter leurs strategies à un contexte changeant.

Les processus décisionnels et de diagnostic dans les systèmes pastoraux s’appuient sur l’analyse de données hétérogènes issues de sources diverses (savoirs locaux et scientifiques, observations directes et références techniques, capteurs embarqués tels que les GPS). Ces données hétérogènes sont plus ou moins acessibles aux éleveurs et aux techniciens, et leur analyse intégrée est réalisée de manière informelle, et avec un succès variable.

L’ère numérique offre l’opportunité de relier des données qui ne pouvaient auparavant être corrélées. Face à cette possibilité, quelles sont les solutions méthodologiques en Informatique permettant de manipuler et lier l’ensemble de ces données ? Comment évaluer et mesurer l’intérêt et l’impact de ces informations pour les éleveurs et techniciens ?

C’est à ces questions que les travaux proposés dans cette thèse souhaitent répondre en  (1) définissant un modèle d’entrepôt de données permettant l’analyse et le croisement de données hétérogènes (plateforme numérique offrant de nouveaux services d’analyse de données issues du pastoralisme suivant les dimensions spatiales, temporelles et thématiques) ; et (2) réalisant une analyse de l’apport de ces nouveaux types d’information qui constituent un levier d’innovation pour les systèmes pastoraux, et ceci à plusieurs échelles en élaborant une grille d’évaluation multicritère adaptée.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Évaluation de traits architecturaux et de fonctionnement d’arbres fruitiers par données LiDAR, apprentissage profond et modélisation structure-fonction

  • Mots-clés : LiDAR, deep learning, modèle structure-fonction, imagerie multispectrale et thermique, arbres fruitiers.
  • Contact : Boudon Frédéric et Pallas Benoît – benoit.pallas [AT] inra.fr
  • Directeur(s) de thèse : Marc Chaumont, LIRMM, Université de Montpellier / Evelyne Costes, AGAP, Inra
  • Encadrant(s) : Frédéric Boudon, Cirad AGAP / Benoît Pallas, Inra AGAP / Emmanuel Faure, CNRS LIRMM
  • Unités d’accueil : AGAP, LIRMM
  • Cofinancement :  Inra
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 2 : Le phénotypage rapide, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 1 : Le challenge agroécologique

Dans un contexte de changement climatique et de diminution des intrants, l’évaluation de ressources génétique et la sélection de génotypes d’arbres fruitiers plus performants en condition de culture sub-optimale devient incontournable. Les traits architecturaux doivent être considérés pour prendre en compte le potentiel de production intrinsèque du génotype, son interaction avec l’environnement et la facilité de conduite. Pour évaluer de tels traits de manière précise et à haut débit, nous proposons d’utiliser les LiDARs terrestre qui permettent de scanner rapidement un verger. Si des premières méthodes issues de la littérature permettent d’extraire des traits globaux tels que la biomasse ou la surface foliaire totale, l’identification précise des composants végétatifs et reproductifs des arbres n’est pas pour l’instant possible, rendant difficile d’estimer la production. Nous proposons d’utiliser de deep learning pour améliorer les méthodes de reconstruction et les rendre plus précises. L’enjeu méthodologique sera d’adapter les méthodes de deep learning aux données LiDAR qui contiennent des résolutions variables et de constituer des bases de données d’apprentissage à partir de données simulées ou de reconstructions partielles. De plus, ce travail aura pour second objectif de fusionner les données LiDAR avec des informations provenant d’imagerie multispectrale (notamment issues des mesures par drone) pour évaluer des traits décrivant le fonctionnement de la plante entière. Pour cela, des modèles structure-fonction seront utilisées comme intégrateur des connaissances. L’étude portera sur une core collection de variétés et les traits phénotypiques issus de l’imagerie multi-spectrale ainsi que les reconstructions 3D seront intégrés dans les études de génétiques menée sur cette collection.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Apprentissage de règles hybrides pour l’analyse de la dynamique de maladies et ravageurs des plantes en fonction des conditions climatiques

  • Mots-clés : science des données, épidémio-surveillance, machine learning, vigne, grandes cultures
  • Contact : François Brun – francois.brun [AT] acta.asso.fr
  • Directeur(s) de thèse : Alexandre Termier, LACODAM, INRIA / David Makowski, Agronomie & CIRED, INRA
  • Encadrant(s) : Luis Galárraga, LACODAM, INRIA / François Brun, ACTA, ACTA / , ,
  • Unités d’accueil : Acta, INRIA/LACODAM
  • Cofinancement :  Acta – les instituts techniques
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 3 : La protection des cultures, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 3 : La protection des cultures,Challenge 5 : Les services de conseil agricole,Challenge 8 : Développement agricole au Sud

Le nombre de problématiques phytosanitaires sur les différentes cultures étant très importante, la R&D agricole ne peut consacrer des efforts conséquents sur l’ensemble des problématiques pour développer des outils d’aide à la décision (OAD) permettant de raisonner finement la protection des cultures. Un des objectifs de ces outils est de limiter l’usage des produits phytosanitaires dans des plantations. Compte tenu du grand volume de données sur la dynamique des maladies et l’utilisation de produits phytosanitaires dans les cultures, un tel objectif nous oblige à exploiter les techniques du data science science afin d’accélérer notre compréhension sur la dynamique des maladies et d’automatiser les processus de décision.

Cette thèse a pour objectif d’aider les experts en protection des cultures en automatisant la découverte d’hypothèses de travail à la base des futurs OAD sur le comportement des maladies des plantes, en utilisant des techniques d’apprentissage en s’appuyant sur la masse de données collectée dans les réseaux d’épidémio-surveillance. Nous mobiliserons des méthodes de machine learning originales. Il s’agira de trouver des « règles hybrides » : elles prédisent une variable numérique (ex: l’incidence de la maladie mildiou) en prenant en compte les interactions entre des variables catégoriques (ex: le stade phénologique de la plante) et des modèles statistiques sur des variables numériques. Cette approche originale nous semble une piste prometteuse pour concilier modélisation prédictive et paramétrage “local” en cohérence avec la grande diversité des situations agronomiques à considérer.

Les échanges avec les experts en maladies et ravageurs sur ces travaux permettront de construire de nouveaux outils d’aide à la décision pour mieux raisonner les traitements phytosanitaires. Ce travail peut également aider à améliorer l’efficacité des dispositifs d’épidémiosurveillance végétale en valorisant mieux les données d’observation collectées dans ce cad.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Bien-être animal : caractériser la diversité rencontrée, entre et au sein des élevages, à l’aide de méthodes de data mining appliquées aux données issues de capteurs en élevages laitiers

  • Mots-clés : Bien-être ; data mining, capteurs, vache laitière
  • Contact : Alexandre Termier – alexandre.termier@irisa.fr
  • Directeur(s) de thèse : Alexandre Termier, Inria – Lacodam, Université de Rennes 1 / Inria / Yannick Le Cozler, INRA – PEGASE, AGROCAMPUS OUEST
  • Encadrant(s) : Alexandre Termier, Inria – Lacodam, Université de Rennes 1 / Inria / Yannick Le Cozler, INRA – PEGASE, AGROCAMPUS OUEST / Véronique Masson, Inria – Lacodam, Université de Rennes 1 / Inria
  • Unités d’accueil : Inria – Lacodam, Inra – PEGASE
  • Cofinancement :  Inria
  • #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 4 : Des productions animales durables, , Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur

Le consommateur comme le citoyen sont aujourd’hui légitimement en attente de conduites d’élevage qui soient respectueuses du bien-être des animaux. Le bien-être d’un animal est satisfait s’il est en bonne santé physique et psychologique, se sent bien et ne souffre pas. Cela a aussi conduit à la mise en place de systèmes de certification. La plupart supposent une obligation de moyens ce qui est plus facile à vérifier (type de bâtiments, surface par animal, équipements…). Mais si ces mesures sont nécessaires, elles peuvent ne pas être suffisantes pour garantir le bien-être des animaux. Pour garantir une obligation de résultats vérifiables, l’utilisation de technologies de monitoring en élevage (reproduction, santé…) peuvent contribuer à mieux évaluer les différentes dimensions du bien-être en élevage sous réserve d’un retraitement approprié des données. A ce jour, les analyses des données issues de ces technologies, majoritairement positionnées à l’échelle de l’animal, ne permettent pas de rendre compte de la diversité et de la variabilité des élevages. Une telle analyse permettrait d’établir une « cartographie » précise des comportements observés en élevages et de distinguer les éléments liés aux individus de ceux liés à la conduite. Les techniques de Data Mining sont particulièrement bien adaptées pour y parvenir. Les méthodes d’extraction de « patterns discriminants » permettent d’étudier les régularités dans les données en des groupes d’animaux et/ou d’élevages ayant des comportements homogènes ou, a contrario, hétérogènes. Ces informations peuvent être utilisées pour établir une taxonomie des comportements en élevages, permettant un positionnement rapide de chaque élevage en fonction de sa conduite. L’éleveur et la filière disposeraient ainsi d’informations précises sur l’état de bien-être de son troupeau et les marges de progrès. Les systèmes d’étiquetage pourraient au final aussi mieux répondre aux attentes d’informations des consommateurs.

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement

Potentialité des séries temporelles de données satellites multi-spectrales et radar pour concevoir des variables spatialisées du développement de la vigne à l’échelle régionale : application à l’estimation de la croissance et de son arrêt pour un modèle de contrainte hydrique

  • Mots-clés : séries temporelles, télédétection, contrainte hydrique, vigne
  • Contact : bruno tisseyre – bruno.tisseyre@supagro.fr
  • Directeur(s) de thèse : bruno tisseyre, UMR ITAP, Montpellier SupAgro / James Taylor, UMR ITAP, Irstea
  • Encadrant(s) : Bruno TISSEYRE/James TAYLOR/Jean-Michel ROGER, UMR ITAP, Supagro/Irstea / Aurélie METAY, UMR SYSTEM, Montpellier SupAgro / Nicolas DEVAUX, UMR LISAH, Montpellier SupAgro
  • Unités d’accueil : UMR ITAP, UMR SYSTEM
  • Cofinancement :  Montpellier Supagro
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 5 : Les services de conseil agricole, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 6 : La gestion des territoires agricoles

La thèse propose d’investiguer l’intérêt et le potentiel de sources d’observation nouvelles comme support d’aide à la décision opérationnelle (pour l’expertise ou comme variable d’entrée de modèle) en viticulture. Le projet de recherche se focalisera essentiellement sur le potentiel des images satellites Sentinel (Sentinel 2 et Sentinel 1). En effet, ces nouvelles sources d’observation présentent des caractéristiques uniques en terme de temps de revisite (acquisition tous les 5 jours), de résolution spatiale (~10 m.), d’information apportées (images multispectrales et radar), d’emprise spatiale (échelle régionale et plus), de coût (images gratuites). Elles présentent donc des caractéristiques particulièrement intéressantes pour le suivi dynamique spatialisé en viticulture, de l’échelle de la parcelle à l’échelle régionale.

L’originalité de la thèse sera d’adopter des approches permettant de prendre en compte aux mieux et de manière holistique, l’ensemble des composantes de l’information :

  • L’espace attributaire qui est par essence multivarié et hétérogène (données multi-spectrales, données radar),
  • L’espace temporel (défini par le temps de revisite du capteur),
  • L’espace géographique puisque les données sont spatialisées,

La thèse propose de mettre en œuvre des approches originales pour prendre en compte l’ensemble de ces composantes de l’information afin de définir de nouvelles variables explicatives d’informations agronomiques pertinentes. L’originalité de l’approche sera de mobiliser des approches multivariées telles que développées en chimiométrie en intégrant les variances structurées (auto-corrélation spatiale et temporelle) pour identifier les paramétres pertinents qui maximisent le ratio signal sur bruit. La thése s’appuiera en particulier sur les compétences de l’équipe en géostatistiques. Les approches développées présenteront un caractére générique potentiellement applicable à toute nouvelle source d’observation (niveau capteur) à haute résolution spatiale et/ou temporelle.

L’objectif applicatif de la thèse sera d’explorer le potentiel de ces nouvelles sources d’observation pour extraire des descripteurs spatialisés de la contrainte hydrique de la vigne. Ces informations pourront être valorisée soit pour : du zonage, de l’extrapolation spatiale de données ponctuelles ou comme variables d’entrée dans des approches modèles (Bilan climatique). Cette application a été choisie car : (1) elle correspond à un champ de recherche important et historique de l’équipe porteuse qui bénéficie de l’accès à des données (historiques ou actuelles) nécessaires pour conduire cette recherche ; (2)  elle correspond à une demande sociale forte des professionnels de la viticulture (producteurs, conseillers, organismes consulaires, distributeurs d’eau, etc.) qui ont besoin d’outils opérationnels de diagnostic, de suivi et de pilotage de la contrainte hydrique (et de ses effets) à différentes échelles.

Sciences de la Vie et de l’Environnement – Sciences pour l’Ingénieur

Co-conception et durabilité de systèmes d’élevage innovants utilisant des méthodes alternatives aux traitements hormonaux dans la gestion de la reproduction des petits ruminants laitiers

Mots-clés : Détecteur automatique des chaleurs, petits ruminants, simulation, modèle agents, co-conception, élevage innovant, reproduction sans hormone

  • Contact : Amandine Lurette – amandine.lurette [AT] inra.fr
  • Directeur(s) de thèse : Eliel Gonzales-Garcia, Inra SELMET
  • Encadrant(s) : Amandine Lurette, Inra SELMET / Patrick Taillandier, Inra MIAT / Nathalie Debus, Inra SELMET
  • Unités d’accueil : SELMET (Inra Montpellier), MIAT (Inra Toulouse)
  • Cofinancement :  Inra
  • #DigitAg : Axe 2 : Innovations en agriculture numérique, Challenge 4 : Des productions animales durables, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 1 : Le challenge agroécologique

La gestion de la reproduction sans hormone en élevage de petits ruminants laitiers est un levier à mobiliser pour répondre aux enjeux de l’agro-écologie et à l’évolution des demandes sociétales. Le dispositif de détection automatisé des chaleurs Alpha-D® demeure à ce jour le seul outil opérationnel en élevages ovins permettant de réaliser des inséminations artificielles sans utilisation de traitements hormonaux de synchronisation. L’introduction de tels nouveaux outils implique pour les exploitations concernées  d’autres modifications en cascade qu’il est nécessaire d’évaluer. Ces changements peuvent notamment concerner les processus biotechniques, à l’échelle du troupeau et/ou de la gestion des surfaces. L’objectif de cette thèse est double. D’une part, il s’agit de caractériser les processus par lesquels les éleveurs conventionnels et en agriculture biologique intègrent le dispositif Alpha-D® dans leur système et les modalités de mise en œuvre en tenant compte de modifications de pratiques associées. D’autre part, le travail vise à évaluer la durabilité d’une diversité de systèmes (conventionnels et biologiques) n’ayant plus recours aux traitements hormonaux dans leur gestion de la reproduction.  Pour atteindre ces objectifs, un outil de simulation sera développé. Celui-ci permettra au travers de sa confrontation aux acteurs de valider les scénarios les plus appropriés de mise en œuvre de la reproduction sans hormones selon les filières et les systèmes d’élevage ovins laitiers du Rayon de Roquefort.