Vers une hybridation des méthodes sémantiques et d’apprentissage pour l’optimisation et la planification de cultures maraîchères en agroécologie

Baptiste soutiendra sa thèse le 8 octobre 2024 à 10h au Lirmm (Laboratoire d'informatique, de robotique et de microélectronique de Montpellier), Salle Séminaire, Bâtiment 4, Campus Saint-Priest
Assister à la soutenance en visio

Je suis étudiant en thèse Cifre au sein de l’équipe Web3 du Laboratoire d’informatique, de robotique et de micro-électronique de Montpellier (LIRMM) et de l’entreprise Elzeard.
J’ai un parcours centré autour de l’informatique. Après ma licence d’informatique à la faculté des sciences de Montpellier, j’ai continué dans la même structure sur le master DECOL, orienté Données, Connaissances et Langage naturel. J’ai réalisé un stage de recherche au sein du Lirmm sur le thème des réseaux de neurones. Suite à mon expérience de recherche, j’ai préféré m’orienter vers l’industrie, mais avec un goût pour la recherche bien développé,  je me suis tourné vers une thèse CIFRE.
L’idée de mon sujet de thèse est de développer des algorithmes de machine learning en utilisant de la donnée provenant de graphes de connaissances pour des tâches telles que la sélection de culture ou la planification de rotation. Le domaine agricole demande de prendre en compte des paramètres agronomiques, de contexte, météorologique, etc. Mon objectif est de prendre en compte la plupart des paramètres et de produire des algorithmes qui arrivent à gérer l’ensemble de ces paramètres pour faire des recommandations personnalisées aux agriculteurs.
Je pense que l’agriculture est un secteur clé du fonctionnement de nos sociétés. Les agriculteurs ont un métier difficile, et essayer de leur rendre la vie plus simple en leur permettant de gagner du temps sur l’organisation et en leur apportant une quantité d’information qui leur sera bénéfique me semble important. De plus, mettre mes connaissances et mes capacités au service de l’écologie en cherchant à développer les techniques de l’agro-écologie chez les producteurs et les rendant plus accessibles est, pour moi, intéressant.
L’agriculture est un domaine qui demande autant de la connaissance théorique que de l’expérience. Avec des jeux de données de plus en plus gros récoltés chez les producteurs et de la connaissance métier agrégée et formalisée, il serait possible de faire des algorithmes de planification de plus en plus poussés, qui prendraient en compte une multitude de paramètres comme la santé du sol, les aléas climatiques, l’apparition de ravageurs, etc.

• Date de démarrage : 2 février 2021
• Université : Université de Montpellier
• Ecole doctorale : I2S – Information, Structures, Systèmes
• Discipline / Spécialité : Informatique
• Directeur de thèse : Clément Jonquet (Lirmm, Université de Montpellier)
• Encadrant(es)  : Konstantin Todorov (Lirmm, Université de Montpellier), Florence Armadeilh (Elzeard)
• Financement : Convention Cifre
• #DigitAg : Thèse labellisée – Challenge 1 : Le challenge agroécologique

Mots-clés : Informations - Maraîchage - Agroécologie - Données - Sémantique

Résumé : L’agriculture, et plus particulièrement le maraîchage, est un secteur d’activité complexe qui demande à la fois de la connaissance théorique et de l’expérience pour mener à bien les productions. En effet, les maraîchers doivent connaître les principes de la production légumière et les itinéraires techniques de cultures, c’est-à-dire : l’ensemble des tâches à réaliser pour cultiver efficacement les légumes, ainsi que les mécanismes existant entre les cultures et leurs impacts sur les parcelles pour planifier tant temporellement que spatialement. Ces connaissances théoriques et techniques doivent être couplées avec des connaissances pratiques, du terrain et du contexte permettant une adaptabilité des choix de planification à la fois des cultures, mais aussi des tâches associées. La complexité des itinéraires techniques de culture et la planification demandent d’être modélisés à l’aide de système d’aide à la décision pour faciliter le travail de planification des maraîchers. Différents types de modèles d’intelligence artificielle permettent de répondre à certains problèmes spécifiques de la planification. Nous avons décidé de nous concentrer sur le problème de la rotation des cultures, c’est-à-dire quelle culture doit succéder à une autre pour construire des séquences de cultures qui répondent à la fois à des règles connues (connaissances théoriques et techniques) mais qui vont aussi être dépendantes du contexte (connaissances pratiques). Pour répondre à ce problème, nous proposons deux approches: (i) Une approche sémantique basée sur la construction d’une ontologie de domaine, appelée Crop Planning and Production Process Ontology (C3PO), visant à représenter la connaissance nécessaire à la planification et la gestion des cultures de la ferme à la production. (ii) Une approche d’apprentissage consistant à implémenter des modèles d’apprentissage séquentiels pour prédire la culture suivante suivant une séquence donnée basée sur des données historiques ou l’expérience. Nos travaux ont montré que ces deux approches étaient complémentaires parce que la modélisation à l’aide de la sémantique permet d’apporter une partie de la connaissance agronomique pendant les choix de planification et que les modèles d’apprentissages peuvent apprendre en partie les choix de rotations des maraîchers pour pouvoir les proposer à d’autres. Nous avons expérimenté nos travaux dans le contexte du développement de l’application Elzeard, un compagnon numérique développé par l’entreprise éponyme avec laquelle s’est déroulé ce travail de recherche.

Composition du jury:

• Nathalie HERNANDEZ, Professeur des universités, Université de Toulouse, Rapporteur
• Fatiha SAÏS, Professeur des universités, Université Paris Saclay, Rapporteur
• Véronique BELLON-MAUREL, Ingénieure en Chef des Ponts, des Eaux et des Forêts, INRAE, Examinatrice
• Kevin MOREL, Chargé de recherche, INRAE, Examinateur
• Pascal PONCELET, Professeur des universités, Université de Montpellier, Examinateur
• Clément JONQUET, Directeur de recherche, INRAE, Co-directeur de thèse
• Konstantin TODOROV, Maître de conférences, Université de Montpellier, Co-directeur de thèse
• Florence AMARDEILH, Docteur, Elzeard, Co-encadrante de thèse

Contact : darnala.b [AT] gmail.com - Tel: 06.58.91.23.94

Réseaux sociaux : LinkedIn 

Communications & Publications

• Darnala, B., Amardeilh, F., Roussey, C., & Jonquet, C. (2021, September). Crop Planning and Production Process Ontology (C3PO), a New Model to Assist Diversified Crop Production. In JOWO (https://hal-lirmm.ccsd.cnrs.fr/lirmm-03389513v1/document)

• Darnala, B., Amardeilh, F., Roussey, C., Todorov, K., & Jonquet, C. (2022, May). Ontological representation of cultivated plants: linking botanical and agricultural usages. In MK 2022-1st Workshop on Modular Knowledge@ ESWC 2022 (Vol. 3184, pp. 165-173). (https://hal.science/hal-03679652v1/document)
• Darnala, B., Amardeilh, F., Roussey, C., Todorov, K., & Jonquet, C. (2023). C3PO: a crop planning and production process ontology and knowledge graph. Frontiers in Artificial Intelligence, 6, 1187090 (https://hal.inrae.fr/hal-04305067v1/document)
• Darnala, B., Amardeilh, F., Roussey, C., Todorov, K., & Jonquet, C. (2024, July). C3PO: Une ontologie pour la planification de cultures et les processus de production agricole. In 35es Journées francophones d'Ingénierie des Connaissances (IC 2024)@ Plate-Forme Intelligence Artificielle (PFIA 2024). (https://hal.science/hal-04677414v1/document)

Lien vers les ressources produites: https://agroportal.lirmm.fr/ontologies/C3PO