#DigitAg propose des sujets de post-doc interdisciplinaires financés à 100 %
IMPORTANT : le candidat ne devra pas être :
- un ancien doctorant labellisé, cofinancé ou autre d’une unité membre de #DigitAg
- un ancien doctorant encadré/dirigé par un chercheur associé de #DigitAg
Les sujets affichés ont été sélectionnés par #DigitAg qui les finance
En savoir plus ? Rapprochez-vous du contact indiqué pour le sujet qui vous intéresse
Sujets sélectionnés:
Mathématiques et leurs applications - Sciences de la Vie et de l’Environnement
Utilisation de séries temporelles d’images hyperspectrales pour l’évaluation précoce des symptômes de septoriose du blé
post-doc pourvu
Mots-clé: Blé dur, septoriose, NIRS, Imagerie Hyperspectrale
- Contact: Martin Ecarnot - martin.ecarnot |AT] inrae.fr
- Encadrants: Jean-Michel Roger, Itap, Inrae - Martin Ecarnot, Agap, Inrae
- Unités d’accueil: Agap - PHIM
- #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 3 : La protection des culturesAxe 2 : Innovations en agriculture numérique, Challenge 2 : Le phénotypage rapide
Le phénotypage de la résistance des plantes aux maladies foliaires par des méthodes optiques suscite un intérêt grandissant afin, d’une part, de préciser précocement le statut de la plante vis à vis de l’agent pathogène (dans une gamme allant de sensible à résistant) et, d’autre part, de disposer de méthodes robustes caractérisant ces interactions dans une large gamme de situations environnementales. Afin d’investiguer les capacités de l’imagerie hyperspectrale (IHS) à caractériser les symptômes d’une maladie fongique (la septoriose du blé), une thèse a été effectuée (2020-2023) au sein d’un collectif de chercheurs rassemblant des spécialistes de l’IHS, du traitement des spectres infrarouges, et de phytopathologie (UMRs ITAP, PHIM et AGAP Institut). Ces travaux se sont intéressés à traiter des séries temporelles d’IHS et ont permis de développer une méthode (basée sur la Moving Window Principal Component Analysis, MWPCA) permettant de distinguer clairement les cinétiques moyennes des feuilles saines et malades à l’aide des spectres visibles et proches infrarouges. Les perspectives produites lors de cette thèse ouvrent trois voies de recherche : (i) caractériser le pĥénomène à l’échelle de l’individu (et pas seulement au niveau d’une moyenne d’un groupe), (ii) réaliser une détection plus précoce de la maladie et (iii) prendre en compte la dimension spatiale de l’image. Le premier objectif de ce projet de recherche postdoctoral est donc d’explorer ces voies de recherche en appliquant d’autres algorithmes de traitement de données au jeu de données généré pendant la thèse, afin d’améliorer la sensibilité et la précocité de la mesure de l'établissement de la maladie. A cette fin, un deuxième objectif plus opérationnel vise à améliorer la robustesse et la parcimonie de l'approche développée (à la fois au niveau de l'outil et de l’analyse), afin d'évaluer le potentiel d'un outil de terrain.
Sciences Humaines et Sociales - Sciences de la Vie et de l’Environnement
Déterminants, modalités et valorisation du partage de données par les agriculteurs et PME dans des blockchains pour des supply chains alimentaires transparentes et durables
Mots-clé : Blockchain, traçabilité, transparence, supply chain alimentaire, jeux de pouvoir, partage de la donnée, numérique, valorisation, sciences participatives
- Contact: Florent Saucède - florent.saucede[AT]supagro.fr
- Encadrants: Florent Saucède, Moisa, Institut Agro - Montpellier SupAgro - Léa Tardieu, Tetis, Inrae
- Unités d’accueil: Moisa, Tetis
- Co-financement: Projet ANR JCJC
- #DigitAg: Axe 1 : Impact des technologies de l'information et de la communication sur le monde rural, Axe 2 : Innovations en agriculture numérique,Axe 4 : Système d’information, stockage et transfert de données, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Challenge 5 : Les services de conseil agricole
La confiance des consommateurs dans des systèmes alimentaires complexes s’érode suite à des scandales et des crises sanitaires. Pour y faire face, producteurs et distributeurs testent le potentiel de la blockchain, « un registre numérique, décentralisé et distribué dans lequel les transactions sont consignées et ajoutées par ordre chronologique pour créer des archives permanentes et infalsifiables » (Treiblmaier, 2018, p. 547). Elle offre de nouvelles manières de suivre et tracer les produits le long des supply chains alimentaires (SCA), grâce à la contribution de leurs membres et à la co-construction d’une information immuable qui peut être visible par tous et communiquée aux consommateurs. Elle a le potentiel d’améliorer le fonctionnement, la numérisation, l’automatisation et la durabilité des SCA. Si la blockchain permet de concevoir de nouveaux modes d’organisation collectifs et participatifs, elle est aussi un système de surveillance dont la transparence est co-construite grâce au partage de données sensibles auparavant considérées confidentielles. Les conditions d’activation de ces potentiels et les risques associés à cette technologie sont dès lors mal connus.
Le sujet s’intègre dans une proposition de projet ANR JCJC qui évalue le potentiel de la blockchain à rendre les SCA plus participatives, transparentes et performantes, pour contribuer à la transition vers des systèmes alimentaires durables. Centré sur les agriculteurs et PME, le post-doctorat a pour objectifs de mieux appréhender les conditions, modalités, risques, réticences, coûts et avantages individuels et collectifs du partage de données dans les SCA à des fins de traçabilité, de transparence et de valorisation des pratiques. Les déterminants et la valorisation du partage de données sont examinés dans le contexte des dynamiques du pouvoir au sein des SCA. Mobilisant les sciences de gestion, économiques, de l’environnement et des données dans une démarche participative avec des agriculteurs et PME, le projet vise à élaborer une grille structurant la démarche de co-construction d’une information pour des SCA durables, transparentes et performantes, et à l’identification des données nécessaires à sa construction, tout en contribuant à préparer ces producteurs aux défis d’une généralisation de tels systèmes de transparence des SCA.
Sciences pour l'Ingénieur - Sciences de la Vie et de l’Environnement
Une approche hybride combinant la modélisation biophysique et les dérivés de la télédétection pour modéliser l’architecture 3D du couvert végétal dans les vignobles pour une gestion différenciée des cultures
Mots-clé : architecture de la canopée, LAI, vignobles, apprentissage automatique, LiDAR, Sentinel-2, modélisation du transfert radiatif
- Contact: James Taylor - james.taylor [AT] inrae.fr
- Encadrants: James Taylor, Itap, Inrae - Jean-Baptiste Feret, Tetis, Inrae
- Unités d’accueil: Itap - Tetis
- #DigitAg: Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 3 : La protection des culturesAxe 3 : Capteurs, acquisition et gestion de données, Challenge 6 : La gestion des territoires agricoles
Il n'est pas facile de mesurer la géométrie du couvert végétal d'un vignoble. Le couvert évolue continuellement et ses caractéristiques 3D influencent fortement la nécessité et l'efficacité des actions de protection des cultures au cours de la saison. Les capteurs proximaux peuvent fournir des informations à haute définition sur la structure 3D du couvert, mais sont limités dans la résolution spatiale et temporelle de leur déploiement. L'imagerie satellitaire fournit des informations spatio-temporelles à haute résolution sur la vigueur du vignoble. Cependant, les informations de ces images ne sont que partiellement influencées par l'architecture du couvert végétal. Par conséquent, aucun des deux systèmes de détection, dans leur forme originale, n'est capable de fournir des informations pertinentes sur les vignobles pour soutenir les stratégies de protection différentielle des cultures en cours de saison. Ce projet utilisera les dérivés de l'imagerie de télédétection, obtenus par l'analyse de séries temporelles d'indices de végétation et de modèles de transfert radiatif inverse, pour générer des modèles capables de prédire les caractéristiques 3D des vignobles sur une grande surface. Les données d'étalonnage et de validation de ces modèles seront dérivées de données LiDAR en des points sélectionnés. Le traitement de ces données LiDAR sera basé sur de nouveaux algorithmes qui fournissent des informations en 3D sur les couverts viticoles. La modélisation des caractéristiques 3D de la végétation obtenue à partir des dérivés de la télédétection sera réalisée à l'aide d'un mélange de méthodes d'apprentissage automatique linéaires et non linéaires. Une fois qu'un modèle stable aura été trouvé, les informations prédites à grande échelle sur la végétation en 3D seront substituées aux modèles existants de dépôt interceptés de pulvérisation afin d'évaluer si les prédictions de la végétation en 3D sont d'une qualité suffisante pour être utilisées à des fins de gestion.
Co-conception, adaptation et diffusion de high-low-techs pour comprendre et accompagner la gestion de l’eau dans les systèmes de culture agroécologiques
Mots-clé : Gestion de l’eau, Agroécologie, Capteurs high-low-tech, Conception participative
- Contact: Léo Garcia - leo.garcia [AT] institut-agro.fr
- Encadrants: Léo Garcia, UMR ABSys, Institut Agro – Crystèle Leauthaud, G-eau, Cirad
- Unités d’accueil: ABSys – G-eau
- #DigitAg: Axe 2 : Innovations en agriculture numérique, Challenge 5 : Les services de conseil agricoleAxe 1 : Impact des technologies de l'information et de la communication sur le monde rural, Axe 3 : Capteurs, acquisition et gestion de données, Challenge 1 : Le challenge agroécologique
L’agroécologie apparaît mondialement comme une alternative pour répondre aux enjeux de durabilité de l’agriculture, notamment vis-à-vis de la ressource en eau soumise à de fortes pressions anthropiques et climatiques. La transition des systèmes de production conventionnels vers des systèmes agroécologiques est confrontée à différents obstacles, en particulier en raison de la complexification des agroécosystèmes qu’elle peut impliquer. Les récentes avancées dans les technologies d’information de masse (électronique embarquée, IoT, réseaux de capteurs connectés) offrent des opportunités de développement de nouveaux systèmes de mesure, plus accessibles techniquement et économiquement au secteur agricole. L’usage et l’adoption de tels outils restent néanmoins conditionnés aux contextes agricoles dans lesquels ils s’inscrivent. Nous pensons que la co-conception de nouvelles technologies numériques à bas coût peut permettre d’améliorer la compréhension des flux d’eau et d’accompagner leur gestion au sein des systèmes de culture agroécologiques. Les objectifs du projet sont de i) évaluer les contraintes et besoins des producteurs relatifs à la gestion de l’eau, spécifiques à différents contextes agroécologiques ; ii) adapter des technologies existantes (ou les développer le cas échéant) à travers une méthode participative mobilisant les agriculteurs pour répondre aux enjeux des systèmes étudiés ; iii) faciliter l’adoption et la diffusion des innovations numériques en accompagnant les réseaux d’acteurs constitués (suivi, conseil, formation). Deux sites d’étude, en Occitanie et en Californie, représentant des contextes agricoles (environnements socio-économiques et moyens de production), des systèmes de culture (annuels, pérennes, pratiques agroécologiques) et des niveaux de contrainte hydrique contrastés, permettront de faire gagner ces méthodes en généricité et en robustesse pour la production de références pour l’accompagnement de la transition agroécologique
Développement d'un framework d'apprentissage automatique pour la prédiction d'indicateurs de sécurité alimentaire à l'échelle nationale à partir de données hétérogènes
post-doc pourvu
Mots-clé : Science de données, Apprentissage Automatique, Sécurité alimentaire, Données Hétérogènes
- Contact: Roberto Interdonato - roberto.interdonato [AT] cirad.fr
- Encadrants: Elodie Maitre D’Hotel, UMR Moisa, Cirad - Louis Reymondin, Alliance Bioversity International & CIAT, CGIAR
- Unités d’accueil: Tetis - Moisa
- #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 4 : Système d’information, stockage et transfert de données, Challenge 0 : sujet transversal, Challenge 6 : La gestion des territoires agricoles, Challenge 8 : Développement agricole au Sud
La sécurité alimentaire (SA) est un problème central dans de nombreuses régions du monde, comme en témoigne sa présence parmi les 17 objectifs de développement durable (ODD 2 - Faim zéro). Pour surveiller les situations d'insécurité alimentaire, plusieurs systèmes d'alerte précoce sont actifs aujourd'hui, tels que GIEWS (FAO) et FEWSNET (USAID). Ces systèmes utilisent un ensemble limité de types de données, i.e., données agroclimatiques provenant d'images satellites et indicateurs extraits d'enquêtes auprès des ménages sur les facteurs nutritionnels, économiques et liés à la production. De plus, une intervention humaine est souvent nécessaire pour combiner et résumer toutes les sources d'information. Notre hypothèse est que des données ouvertes hétérogènes, en lien avec la SA, peuvent être utilisées pour développer des méthodes d'apprentissage automatique capables de produire des indicateurs de SA, en prenant en compte les raisons interdépendantes de ce phénomène. Quelques exemples peuvent être des rasters d'informations spatiales, information géographique bénévole, données météorologiques, indicateurs économiques et données textuelles issus des médias locaux.
L'objectif de ce Post-Doc est de consolider et d'étendre les travaux récents sur ce sujet issus d'une collaboration entre l'UMR TETIS et l'UMR MOISA, principalement autour d’une thèse cofinancée par #DigitAg. Plus précisément, nous souhaitons développer une suite de méthodes (p.ex., une bibliothèque Python) capables de récupérer et d'exploiter des données hétérogènes pour produire efficacement des indicateurs de SA à l'échelle nationale. La nécessité de collecter, d'intégrer et d'évaluer la qualité de ces données introduit plusieurs défis supplémentaires dans ce contexte. L'utilisation de riches données de référence fournies par le CGIAR (p.ex., RHoMIS - Rural Household Multi-Indicator Survey) permettra de tester les méthodologies proposées dans différents pays d'Afrique et d'Asie du Sud-Est.
PHADA : Phénotypage HAut-débit de la Diversité génétique des Arbres fruitiers pour une meilleure adaptation au changement climatique
post-doc pourvu
Mots-clé: Phénotypage numérique, criblage génétique, arbre fruitiers, généralisation inter-espèces
- Contact: Marie Weiss - marie.weiss [AT] inrae.fr
- Encadrants: Marie Weiss, UMR Emmah, Inrae - Evelyne Costes, UMR Agap, Inrae
- Unités d’accueil: Emmah - Agap
- #DigitAg: Axe 2 : Innovations en agriculture numérique, Axe 3 : Capteurs, acquisition et gestion de données, Challenge 2 : Le phénotypage rapide, Challenge 1 : Le challenge agroécologique, Challenge 3 : La protection des cultures
Ce projet vise à caractériser la résilience des arbres fruitiers via le phénotypage numérique d’un certain nombre de traits liés à la floraison et à l’architecture de l’arbre en alliant les compétences en analyse d’images (AGAP-PHENOMEN, EMMAH-CAPTE) et en génétique (GAFL-Prunus) et en analyse architecturale (AGAP-AFEF) des quatre équipes impliquées. Outre des développements méthodologiques de traitement des données stéréovision et RVB pour accéder à ces traits, ce projet s’intéresse à la fusion des informations, ainsi qu’à la généralisation et la transférabilité des méthodes et des traits entre espèces. Plusieurs approches (apprentissage machine et profond, morphologie mathématique, statistiques) seront combinées. Ce projet s’appuie sur l’acquisition de jeux de données dans des core-collections de trois espèces fruitières d’importance (pêchers, abricotiers, pommiers) comportant chacune plus de 150 génotypes différents, assurant ainsi une représentativité de la variabilité de la floraison et de la structure des arbres par les différences d’âge, d’espèces et d’environnements contrastés. Il vise aussi à établir une cohérence temporelle entre mesures passées (notations visuelles) et phénotypage numérique. D’un point de vue des sorties attendues, nous avons l’ambition de contribuer au phénotypage de traits complexes et intégratifs (amélioration de la précision et du débit, accès à de nouveaux traits non accessibles manuellement), et au criblage génétique de la résilience en déterminant une typologie d’arbres permettant de maintenir la production face aux perturbations environnementales.
Intégration de données hétérogènes pour la simulation des contacts entre bétail et faune sauvage
post-doc pourvu
Mots-clé : données hétérogènes, télémétrie, télédétection, modélisation spatiale, modélisation participative, élevage extensif, mobilité animale
- Contact: Tran Annelise - annelise.tran [AT] cirad.fr
- Encadrants: Tran Annelise, UMR Tetis, Cirad – Christophe Le Page, UMR Sens, Cirad
- Unités d’accueil: Tetis - Sens
- #DigitAg: Axe 6 : Modélisation et simulation (systèmes de production agricole), Axe 3 : Capteurs, acquisition et gestion de données, Challenge 6 : La gestion des territoires agricoles, Challenge 8 : Développement agricole au Sud
Dans de nombreuses régions africaines, la croissance de la population humaine combinée à la raréfaction, sous l’effet du changement climatique, de zones disposant de réserves d’eau suffisantes, conduisent à l’augmentation des contacts entre les communautés rurales pratiquant l’agriculture et l’élevage et la faune sauvage à la périphérie des aires de conservation. Dans ces systèmes d’interface, les mobilités des animaux sauvages et domestiques sont à l’origine d’événements tels que la prédation du bétail par les carnivores, la destruction des cultures par la faune sauvage, la concurrence accrue pour les ressources naturelles partagées, la chasse illégale, et la transmission de maladies. Mieux comprendre comment les facteurs climatiques, environnementaux et les pratiques agricoles et d’élevage déterminent ces mobilités et contacts constitue un enjeu majeur pour identifier des modes de gestion permettant de concilier développement agricole et enjeux de conservation. Le travail du séjour post-doctoral proposé s’appuiera sur des jeux de données collectés dans la région de Hwange au Zimbabwe : i) des données de télémétrie issues de colliers GPS posés sur des ruminants domestiques et sauvages pour étudier leurs déplacements ; ii) des images de pièges photographiques permettant de mesurer l’occurrence et la fréquence des contacts inter-espèces au niveau des points d’eau ; iii) des séries temporelles d’images satellites pour le suivi des modifications de l’environnement aux interfaces des espaces naturels et agricoles et iv) des règles de conduite des troupeaux décrites par les éleveurs. L’objectif sera de développer des méthodes innovantes permettant i) l’intégration de ces données hétérogènes pour simuler la mobilité et les potentiels contacts du bétail et de la faune sauvage et ii) l’exploration de scénarios définis en concertation avec les différents acteurs du territoire.
