[Paroles de doctorants] Yawogan Jean Eudes Gbodjo : Amélioration des systèmes de suivi des cultures à l’échelle du paysage à partir de la télédétection multi-sources et des techniques d’apprentissage automatique

Jean Eudes porte un sujet de thèse cofinancée par #DigitAg

 

Je suis Yawogan Jean Eudes Gbodjo, doctorant Irstea accueilli à l’UMR Tetis (Territoires, Environnement, Télédétection et Information spatiale) de Montpellier.

Je suis diplômé du master 2 ScIences Géomatique en environneMent et Aménagement (SIGMA) de l’Université de Toulouse Jean Jaurès. J’ai un profil de géomaticien, spécialiste en Télédétection et Systèmes d’Information Géographique avec un fort attrait pour l’Informatique. C’est ce qui m’a notamment incité à faire cette thèse.

Je travaille sur de nouvelles méthodes en machine/deep learning pouvant tirer profit de la richesse d’information dont nous disposons de nos jours grâce entre autres aux satellites d’observation de la terre pour l’amélioration des systèmes de suivi de cultures. En particulier nous voulons mieux caractériser les surfaces cultivées (types de cultures, superficies) et leur rendements. Ce travail s’inscrit dans le cadre de la problématique majeure actuelle en agriculture : comment pouvons nous garantir la sécurité alimentaire des populations, dont le nombre est toujours croissant, tout en favorisant une agriculture durable qui préserve nos écosystèmes et la biodiversité face aux impacts environnementaux des changements climatiques qui se font déjà sentir ?

Amélioration des systèmes de suivi des cultures à l’échelle du paysage à partir de la télédétection multi-sources et des techniques d’apprentissage automatique

  • Date de démarrage : Novembre 2018
  • Université : Université de Montpellier
  • Ecole doctorale : I2S Information Structures Systèmes
  • Discipline / Spécialité : Informatique
  • Directeur de thèse : Dino Ienco, Irstea Tetis
  • Encadrant(es)  :  Dino Ienco, Irstea Tetis & Louise Leroux, Cirad Aida
  • Financement : #DigitAg – Irstea
  • #DigitAg : Thèse cofinancée – Axe 5 – Challenges 6 & 8

Mots-clés : Apprentissage automatique, Apprentissage profond, Télédétection multi-source et multi-temporelle, Occupation des sols, Rendements agricoles, Données satellite

Résumé :

Face à l’explosion démographique et les impacts environnementaux des changements climatiques que connait notre temps, garantir la sécurité alimentaire des populations tout en favorisant une agriculture durable préservant les écosystèmes terrestres et la biodiversité (Objectifs 2 et 15 du Développement Durable des Nations Unies) devient un enjeu majeur pour le futur de notre société. À l’heure où les missions satellitaires se multiplient (ex. Sentinel), diverses sources d’informations sont maintenant disponibles pour mieux suivre et caractériser les systèmes agricoles ainsi que les pratiques associées à l’échelle régionale, nationale et globale. Parallèlement, l’intégration de ces diverses sources de données notamment pour des problématiques agronomiques reste un vrai défi. L’objectif de cette thèse est de proposer des méthodes innovantes basées sur l’apprentissage machine et notamment l’apprentissage profond pour intégrer les différentes sources d’informations apportées par les séries temporelles optiques et radar et l’imagerie à très haute résolution spatiale dans le but d’améliorer la caractérisation des surfaces cultivées et l’estimation des rendements agricoles à partir de données collectées sur le terrain. Les approches mises en place seront évaluées avec un regard croisé sur des sites contrastés en termes de systèmes de cultures et/ou de pratiques agricoles (France, Sénégal).

Publications dans revues internationales

Gbodjo, Y.J.E.; Ienco, D.; Leroux, L.; Interdonato, R.; Gaetano, R.; Ndao, B., 2020, Object-Based Multi-Temporal and Multi-Source Land Cover Mapping Leveraging Hierarchical Class Relationships

Yawogan Jean Eudes Gbodjo; Dino Ienco; Louise Leroux, 2019, Toward Spatio–Spectral Analysis of Sentinel-2 Time Series Data for Land Cover Mapping

Contact :   jean-eudes.gbodjo [AT] inrae.fr​ – Tél :  04 67 54 87 54

Réseaux :   GitHubLinkedInTwitter