En savoir plus

Potentiel d’un couplage entre un capteur de haute résolution spectrale/faible résolution spatiale et un capteur à faible résolution spectrale/forte résolution spatiale pour la sélection variétale. Application au phénotypage du maïs vis-à-vis du stress hydrique

Maxime Ryckewaert a soutenu sa thèse le 7 novembre 2019 à Montpellier SupAgro

J’ai été recruté à l’UMR ITAP d’Irstea au sein de l’équipe Comic dans le cadre d’un projet pour la détection de stress par instrument optique pour l’agriculture de précision. L’idée est d’exploiter la méthode d’analyse de variance appelée REP-ASCA sur d’autres types de jeux de données.

A court terme, une de mes missions est de transférer l’ensemble des connaissances acquises durant ma thèse Cifre à Limagrain. Dans un premier temps, l’outil et la méthode doivent être validés sur de nombreuses parcelles. Dans un second temps, il est envisagé d’utiliser l’outil final dans le processus de sélection variétale.

Bonjour, je suis Maxime Ryckewaert, doctorant Cifre de Limagrain, société coopérative agricole, au sein de l’UMR ITAP (Irstea Montpellier). Mon sujet de thèse labellisée #DigitAg  : « Couplage de la spectrométrie visible – proche infrarouge et un vecteur mobile pour la caractérisation de la végétation dans le cadre de campagnes de phénotypage. »

Aujourd’hui l’agriculture doit s’adapter aux changements climatiques et à tout ce qui en découle comme la sécheresse et en particulier le stress hydrique, donc il est important de proposer de nouvelles variétés plus résistantes et plus adaptées.

Comment les connaitre et les sélectionner ? Pour caractériser la tolérance au stress hydrique de différentes variétés de maïs j’analyse l’information contenue dans leur spectre de réflectance, c’est-à-dire, le rayonnement renvoyé par les plantes. Ce rayonnement contient des informations sur des paramètres biochimiques comme la teneur en chlorophylle ou la teneur en eau. L’idée est d’explorer et de développer de nouvelles techniques pour acquérir et analyser ce type de données.

Des solutions existent mais ne sont pas adaptées à la sélection de plantes cultivées. L’imagerie hyperspectrale fournit beaucoup d’information du spectre de réflectance mais la technologie nécessite des caméras lourdes et le coût d’acquisition des données est élevé. Au contraire, en multispectrale, on perd de l’information mais les capteurs sont légers et le système est moins coûteux.

L’objectif de ma thèse est de conserver toute l’information des paramètres biochimiques de la plante, et d’aboutir à un système léger pour être embarqué un drone, pour parcourir plusieurs hectares.

• Date de démarrage : 1 novembre 2016
• Thèse soutenue le 7 novembre 2019
• Université : Université Montpellier / Montpellier SupAgro
• Ecole doctorale :  GAIA, Filière APAB, MUSE Montpellier Université d’Excellence
• Discipline / Spécialité : Génie des procédés, agro-ressources
• Directeur de thèse : Jean-Michel Roger (UMR ITAP)
• Encadrant(es)  :  Alexia Gobrecht (UMR ITAP), Nathalie Gorretta (UMR ITAP), Fabienne Henriot (Limagrain)
•  Financement : Cifre
•  #DigitAg : Thèse labellisée – Challenge 2 (Phénotypage rapide)

Mots-clés : Spectrométrie, Phénotypage, Stress hydrique, Chimiométrie, Drone

Résumé :

L’objectif de la thèse est d’explorer le potentiel d’un couplage entre un capteur de haute résolution spectrale/faible résolution spatiale et un capteur à faible résolution spectrale et forte résolution spatiale pour la sélection variétale. Ce système est étudié dans le cadre du phénotypage du maïs en conditions de stress hydrique.

L’étude est organisée de la manière suivante :

Dans un premier temps, il s’agissait de vérifier l’hypothèse selon laquelle l’utilisation d’une forte résolution spectrale apporte un plus pour le phénotypage dans le cadre de la sélection variétale. Pour cela, deux campagnes expérimentales ont été réalisées en 2017 et 2018. Des spectres ont été acquis au champ en utilisant la spectroscopie visible et proche-infrarouge selon un plan d’expérience comptant au total 10 génotypes connus pour leur tolérance face au stress hydrique. Cette partie montre qu’il est possible de caractériser les comportements des génotypes en situation de stress hydrique tout en décrivant précisément les régions spectrales responsables de cette classification.

L’utilisation d’un spectromètre en extérieur induit un manque de répétabilité des mesures. Les conclusions des analyses réalisées sur des spectres portant cette erreur peuvent alors être faussées. Une méthode a donc été développée pour réduire l’erreur de répétabilité à travers l’utilisation d’une série de répétitions de mesures additionnelles au plan d’expérience. Cette méthode modifie l’algorithme d’analyse de variance ASCA en introduisant des projections orthogonales dans l’espace des spectres, en complément des projections orthogonales dans l’espace des individus, réalisées naturellement par l’analyse de variance.

L’objectif de la dernière partie était de réaliser le couplage d’un capteur à haute résolution spectrale et faible résolution spatiale avec un capteur à faible résolution spectrale et haute résolution spatiale à l’aide d’algorithmes de pan-sharpening pour reconstituer une image hyperspectrale de test. Cette partie comportait deux étapes : une approche par simulation pour comparer les algorithmes de pan-sharpening à l’aide d’une image hyperspectrale et une partie pour proposer une méthode pour reconstruire une image hyperspectrale à partir de la solution de couplage proposée.

Contact: maxime.ryckewaert@inrae.fr – Tél: 04.67.16.65.00

Réseaux: Resesearchgate –  Linkedin

Communications & Publications

The impact of the spatial resolution of highly resolved spectral data on pan-sharpening methods to reconstruct a hyperspectral image.
Maxime Ryckewaert, Julien Morel, Jean-Michel Roger, Alexia Gobrecht, Fabienne Henriot and Nathalie Gorretta (2017). EFITA 2017, Montpellier (France), July 2nd-6th (European conference dedicated to the future use of ICT in the agri-food sector, bioresource and biomass sector, Session 5A: Sense&Rob1: sensing, robotics and electronics for agriculture (I))

Abstract: Pan-sharpening methods have been developed to increase the spatial resolution of the multispectral information by fusing a panchromatic image (i.e. high spatial /low spectral resolution) with a multispectral one. In recent years, methods have been proposed for hyperspectral and multispectral data fusion. These methods are generally used for satellite data with limited spatial resolution. In order to overcome the spatial resolution, sensors can be embedded on Unmanned Aerial Vehicles. In this presentation, we propose to study the impact of the spatial resolution of highly resolved spectral data on pan-sharpening methods in order to reconstruct a hyperspectral image and to choose the best combination of available cheap sensors.

ANOVA-Simultaneous component analysis on vegetation spectra data acquired into an experimental design.
Ryckewaert Maxime, Roger Jean-Michel, Henriot Fabienne, Gorretta Nathalie, Gobrecht Alexia. HelioSpir, 27/11/2017 (communication orale.

Multivariate analysis of variance of vegetation spectra dataset included into an experimental design by using ANOVA-SCA and ANOVA-Target Projection.
Ryckewaert Maxime, Gorretta Nathalie, Henriot Fabienne, Gobrecht Alexia, Roger Jean-Michel. Conférence SFPT, 18/05/2018 (communication orale).