#DigitAg finance des stages de Master 2
ou grade Master recherche équivalent (ingénieur fin d’études à vocation recherche, étudiant étranger…)
Pour 2024, des sujets de différentes disciplines sont proposés en Mathématiques et leurs applications, Sciences Humaines et Sociales comme en Sciences pour l'Ingénieur.
>Candidater directement auprès du responsable indiqué en contact du sujet choisi
Mathématiques et leurs applications
Algorithme de génération de zonages de parcelles agricoles piloté par la performance des itinéraires techniques
stage pourvu
Mots-clé: zonage, optimisation, contraintes spatiales, itinéraire technique de précision
- Discipline secondaire: Sciences pour l'Ingénieur ( (ex : automatique, informatique, IA, traitement des images, génie des procédés, télédétection…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1er mars 2023
- Unité de recherche: Mistea, Inrae
- Contact: Patrice Loisel - patrice.loisel [AT] inrae.fr
- #DigitAg: Axe 2 : Innovations en agriculture numérique, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 0 : sujet transversal, Challenge 5 : Les services de conseil agricole
Les problèmes de zonage (découpage d'une parcelle en zones de gestion) d'une parcelle sont au cœur de l'agriculture numérique car ils permettent notamment de mettre en œuvre des itinéraires techniques (IT) différentiés spatialement. Cependant les algorithmes de zonage ne sont en général pas déterminés directement par l'impact de ces itinéraires techniques spatialisés. Or cette information devient accessible grâce aux prédictions des modèles de culture ou de données adaptées. L'objectif de ce stage est de développer un nouvel algorithme de génération de zonages de parcelles agricoles optimisés et basés sur la performance d'itinéraires techniques. L'algorithme fournira en sortie un zonage associé à une préconisation d'itinéraire technique par zone (le niveau d'irrigation par exemple). La préconisation optimale proposée sera basée sur une variable observée spatialement sur la parcelle agricole. Les zonages proposés respecteront des contraintes spatiales qui seront gérées par l'utilisation d'une méthode déjà développée dans l'UMR MISTEA [Loisel et al. 2019].
Le premier cas d'étude envisagé est celui d'une culture irriguée par différentes modalités d'irrigation possibles et sous une contrainte de quota global. La variable agronomique sur laquelle s'appuiera le zonage sera la réserve en eau dans le sol, cartographiée sur une parcelle.
Le stagiaire sera accueilli au sein de l'UMR MISTEA de l'INRAE Montpellier et co-encadré par des chercheurs et enseignants-chercheurs des UMR MISTEA (P.Loisel et S.Roux) et ITAP (H.Jones).
Sciences Humaines et Sociales
Évaluation des impacts sociaux des usages des technologies numériques dans les exploitations agricoles : le cas du système d’aide à la décision SoYield® au Sénégal
Mots-clé: Evaluation d’impacts sociaux, outils numériques, pays du Sud, chaine de valeur mangues, Sénégal
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1er avril 2024
- Unité de recherche: Innovation et Hotsys, Cirad
- Contact: Chloé Alexandre- chloe.alexandre [AT] cirad.fr
- #DigitAg: Axe 1 : Impact des technologies de l'information et de la communication sur le monde rural, Axe 2 : Innovations en agriculture numérique, Challenge 8 : Développement agricole au Sud, Challenge 5 : Les services de conseil agricole
Les développements technologiques récents et les innovations en matière d’analyse de données ont généré de fortes attentes sur le potentiel des outils numériques pour appuyer les agriculteurs et autres acteurs des chaines de valeur dans leur prise de décision et la gestion de leurs activités. Cependant, plusieurs études récentes suggèrent que ce potentiel reste encore peu exploité et qu’il est nécessaire de mieux cerner les impacts (positifs et négatifs) de la numérisation de l’agriculture au Nord comme au Sud (Steinke et al. 2020; Klerkx et al. 2019; Alexandre, 2023).
Le système d'aide à la décision (SAD) SoYield® est un outil de recueil et de gestion des données de production fruitière visant à 1) informer les agriculteurs sur leurs rendements réels afin d'orienter leur prise de décision grâce au suivi et à l'analyse des données de production de leur verger ; 2) à faciliter les relations entre les acteurs des filières (producteurs, acheteurs locaux, exportateurs, transformateurs, etc.) sur la base de rendements objectivement mesurés. Il a été d’abord déployé au Sénégal, et est utilisé par environ 400 producteurs de mangues.
Le SAD SoYield® vise notamment à contribuer à l’amélioration des capacités de négociations de ces producteurs et à l’augmentation de leurs revenus. D’autres changements sociaux potentiels au niveau des producteurs sont également pressentis (gain/perte de connaissances et compétences, transformation des réseaux d’échanges des producteurs, transformation de certaines pratiques agricoles, gain/perte de temps, etc.). Néanmoins, ces changements n’ont pas encore été analysés.
Ce stage vise donc à évaluer les changements et impacts sociaux et économiques générés par l’usage du SAD SoYield®, au niveau des exploitations agricoles. Pour cela, l’équipe d’encadrement (CIRAD, UMR Innovation et INRAE, UMR ITAP) propose de mobiliser la méthode du ‘Outcome Harvesting’, et s’appuiera sur les développements méthodologiques réalisés par l’UMR ITAP pour évaluer les couts et les avantages sociaux centrés sur l’usager des technologies numériques en agriculture.
Sciences pour l'Ingénieur
Transfert spatial de modèles d’apprentissage profond pour la cartographie du colza
stage pourvu
Mots-clé: Télédétection, Agriculture, Machine Learning, Cartographie de l'occupation du sol
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1er février 2024
- Unité de recherche: Tetis, Inrae
- Contact: Fraga Dantas - cassio.fraga-dantas [AT] inrae.fr
- #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 6 : La gestion des territoires agricoles
La disponibilité croissante des données satellitaires rend possible le suivi d’une zone géographique au cours du temps. Les séries temporelles ainsi générées représentent une source d'information essentielle pour la gestion de l'agriculture à l'échelle territoriale. Les données de télédétection sont utilisées comme entrée dans des méthodes d'apprentissage automatique pour la génération de cartes de couverture du sol actualisées. Pour ce faire, les méthodes d'apprentissage automatique demandent une grande quantité de données de référence, ce qui pose des défis pour leur applicabilité lorsque peu ou pas de données de vérité-terrain sont disponibles. La réutilisation de données de vérité-terrain acquises sur un site d'étude particulier en transférant le modèle appris vers une zone différente permettrait d'éviter (ou réduire) des coûts supplémentaires tout en rentabilisant les investissements précédents. Malheureusement, le transfert direct d'un modèle à une autre zone géographique peut être inefficace car les deux régions peuvent présenter des conditions environnementales et/ou climatiques diverses. Cette proposition de stage vise à développer une méthode innovante d'apprentissage profond dans le but de transférer un modèle appris sur une zone géographique particulière (où des données de référence sont disponibles) vers une zone où les données de référence ne sont pas disponibles.
Dans le cadre de ce stage, nous utiliserons des séries temporelles d’images Sentinel-1 disponibles gratuitement (et moins sensibles aux nuages dû à la nature du signal radar) dans le but d’apprendre un modèle de classification pour la cartographie des champs de colza. La méthode conçue s'appuiera sur des techniques récentes d'adaptation de domaine pour faire face au problème de transfert entre des zones géographiques différentes, à savoir la France, les États-Unis et le Canada. Nous évaluerons la capacité du modèle calibré sur l'une des trois zones à être déployé sur les autres zones.
Reconstruction spatio-temporelle de l’architecture de systèmes racinaires par suivi topologique et apprentissage profond pour le phénotypage haut-débit à partir d’imagerie frugale en conditions de culture
Mots-clé: Architecture racinaire, phénotypage haut-débit, imagerie frugale, reconstruction spatio-temporelle, deep learning, modèles RSML
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 3 mars 2024
- Unité de recherche: Agap, Cirad
- Contact: Romain Fernandez- romain.fernandez [AT] cirad.fr
- #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 3 : Capteurs, acquisition et gestion de données, Challenge 2 : Le phénotypage rapide, Challenge 8 : Développement agricole au Sud
Le système racinaire permet aux plantes cultivées de répondre à leurs besoins en eau et en nutriments, de la germination à la récolte. L’architecture du système racinaire, sa dynamique de développement et sa plasticité déterminent la production de la plante et sa capacité à résister à des conditions adverses (inondation, sécheresse). Mais les traits racinaires sont difficiles à mesurer en champ : l’observation par extraction des racines (Shovelomics) ne permet pas d’étudier de larges panels GxE, ni de suivre la dynamique de développement. Les plateformes de phénotypage haut-débit ont été développées, intégrant des pipelines d’analyse automatiques basés sur des réseaux de neurones à convolution [1][2]. Ces pipelines segmentent des architectures simples, mais ne sont pas fiables pour les architectures plus complexes. Jusqu’à récemment, ces méthodes n’avaient jamais été évaluées sur l’estimation de traits dynamiques. Nous avons développé cet aspect avec un algorithme de reconstruction dont nous démontré la fiabilité pour l’estimation de traits spatio-temporels [3]. Ces techniques haut-débit sont déployées en laboratoire : boite de pétri, buvard, espèces modèles, robots imageurs. Il est nécessaire d’étendre leurs capacités pour les appliquer sur des variétés d'intérêt agronomique cultivées dans des conditions proches du champ (Rhizotron), et observées avec des techniques frugales (appareil photo). Durant ce stage, nous analyserons ce type de données pour étudier les limites des algorithmes de reconstruction [3] et des techniques d’apprentissage profond [1][2]. Nous combinerons ces approches pour étendre leur domaine d’applicabilité. Nous travaillerons sur les contraintes formelles des algorithmes pour intégrer des topologies plus complexes, et sur les conditions à réunir (fonction de coût topologique [4], architecture du réseau) pour qu’un réseau de neurones contribue à la reconstruction d’architectures spatio-temporelles topologiquement valides.
Elaboration d’un protocole d’annotation et de classification de données textuelles pour le suivi de la sécurité alimentaire
Mots-clé: sécurité alimentaire, traitement du langage naturel, annotation, classification
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1et février 2024
- Unité de recherche: Tetis, Inrae
- Contact: Maguelonne Teisseire- maguelonne.teisseire [AT] inrae.fr
- #DigitAg: Axe 4 : Système d’information, stockage et transfert de données, Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 6 : La gestion des territoires agricoles, Challenge 8 : Développement agricole au Sud
Ce stage vise à développer une méthode d'annotation pour l'identification des facteurs de risque liés à la sécurité alimentaire en Afrique de l'Ouest, en utilisant des données provenant de sources journalistiques. Les modèles prédictifs utilisés pour calculer les indices d'insécurité alimentaire combinent des données telles que l'imagerie satellitaire et les données climatiques. L’interprétation de ces indices pourrait être améliorée en intégrant des données provenant d'articles en ligne ou de transcriptions de journaux télévisés. Ces données textuelles pourraient permettre de localiser correctement les situations de crises à l’échelle régionale voire locale , en temps quasi-réel ou rétrospectivement. Dans ce contexte, il devient indispensable de déployer des méthodes d'apprentissage automatique permettant d'extraire les informations pertinentes à partir de vastes volumes de données textuelles. L’objectif de ce stage sera de développer une méthode d'annotation pour identifier les facteurs structurels et conjoncturels des crises alimentaires, ainsi que leurs attributs spatio-temporels, à partir d’un corpus d’articles en français déjà constitué ( https://agritrop.cirad.fr/602069/). Cette méthode sera utilisée pour construire un corpus à partir duquel seront évaluées (1) des modèles de traitement automatique de la langue et d’apprentissage automatique pour l’extraction d’information thématique et des attributs spatio-temporelle (par exemple, via l’adaptation de modèles de langue tels que CamemBERT) et (2) des approches d’augmentation de données pour pallier la contrainte de la taille limitée du corpus d’apprentissage. Nous nous appuierons notamment sur la capacité des modèles de langue étendus, tels que ChatGPT, à générer de nouvelles données textuelles sémantiquement proches des données annotées. Si le temps le permet, une contribution à la rédaction d'un article décrivant l'approche d'annotation et le corpus annoté pourra être envisagée.
Aide à la correction d’anomalies dans des données multidimensionnelles et multirelationnelles sur l’agroécologie en santé animale et végétale
Mots-clé: Agroécologie, Usage des plantes, Analyse de Concepts Formels, Règle d’implication multidimensionnelle, Visualisation, Détection et Correction d’anomalies
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée: souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1er février 2024
- Unité de recherche: Lirmm, Université de Montpellier
- Contact: Alexandre Bazin- alexandre.bazin [AT] lirmm.fr
- #DigitAg: Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 1 : Impact des technologies de l'information et de la communication sur le monde rural, Challenge 1 : Le challenge agroécologique, Challenge 3 : La protection des cultures
Pour réussir la transition agroécologique, les producteurs ont besoin de disposer de connaissances sur des alternatives aux techniques agricoles classiques. Cependant, en préalable à l’utilisation d’une base de connaissances (BC) par des producteurs et des experts scientifiques, celle-ci doit être corrigée de ses anomalies. En préalable à la mise à disposition d’une base de connaissances (BC) auprès des producteurs, celle-ci doit être corrigée de ses anomalies. Le contexte de ce stage est la BC Knomana [Silvie et al., 2021], qui rassemble 48000 descriptions d’utilisation de plantes à effet pesticide et antibiotique, et vise à proposer des préparations à base de plantes en remplacement des produits chimiques de synthèse. Des dictionnaires permettent déjà de corriger les valeurs pour ses 31 types de données. Par contre, la vérification de la correction et de la cohérence des données est trop complexe pour être réalisée manuellement. Par exemple, une incohérence entre la plante pesticide, le système protégé (e.g. culture de maïs), le bioagresseur (e.g. insecte) et la localisation géographique suffit pour induire en erreur un producteur. La technique appelée Exploration d’Attributs (EA), développée par l’Analyse de Concepts Formels, permet de détecter et de corriger ces anomalies [Saab et al., 2022] en exprimant chaque connaissance sous forme d’une règle d’implication. Les règles sont présentées aux experts qui les valident ou les invalident afin de mettre la BC dans un état cohérent.
L’objectif du stage est de développer un prototype logiciel de détection et de correction des anomalies pour des données multidimensionnelles et multirelationnelles. Ce prototype permettra de manipuler les données et les types de données, puis d’interagir avec la libraire FCA4J, pour le calcul des règles, et le logiciel RCAvizIR, développé avec le soutien de #Digitag (stages de Master en 2022 et 2023) pour les présenter dans un ordre facilitant le travail de correction par les experts.
Développement de ressources sémantiques pour le phénotypage au champ et la modélisation des cultures
Mots-clé: Modélisation (modèles de culture), Ontologie, Phénotypage, Ressources sémantiques, Schéma de données, Thésaurus
- Discipline secondaire: Sciences de la Vie et de l’Environnement (ex : Ecologie, Agronomie, Sciences de l’environnement…)
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 1er février 2024
- Unité de recherche: Mistea, Inrae
- Contact: Pascal Neveu- Pascal.Neveu [AT] inrae.fr
- #DigitAg: Axe 4 : Système d’information, stockage et transfert de données, Challenge 0 : sujet transversal, Challenge 2 : Le phénotypage rapide
Un des enjeux majeurs pour des communautés scientifiques interdisciplinaires est une utilisation et un partage efficace des ressources sémantiques (thésaurus, taxonomies, ontologies). Dans le contexte du phénotypage et de la modélisation des cultures, ces ressources sémantiques doivent être enrichies et adaptées pour prendre en compte différentes sources de données du domaine, des modèles de simulation et surtout des questions de recherche et méthodes de phénotypages qui évoluent en proposant de nouvelles variables à observer. Des standards existent mais ne sont pas complets par rapport à ces nouvelles questions de recherche et sont difficiles à faire évoluer. Ainsi leur usage peut constituer un frein pour les chercheurs. L'objectif de cette proposition est de permettre une gestion maîtrisée et efficace de l'évolution de ressources sémantiques tout en gardant un lien avec les standards existants. Les standards et ressources sémantiques du domaine seront enrichie et une solution s’appuyant sur des environnements existants (AgroPortal) et des patrons de conception d'ontologies sera développée pour proposer une stratégie et des outils conviviaux aux chercheurs.
Sciences de la Vie et de l'Environnement
Mieux comprendre les usages de l'eau agricole en Occitanie : suivi des règles de décision de l’irrigation et du calendrier d’irrigation dans des exploitations agroécologiques, avec des capteurs low-techs
stage pourvu
Mots-clé: irrigation, low-tech, capteurs, mesures de fiabilité
- Discipline secondaire: Physique et Sciences de l'Univers (Préciser (ex: optique, sciences du sol, hydrologie...), hydrologie, sciences du sol, physique des écoulements
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: Mar 1, 2024
- Unité de recherche: G-eau, Institut Agro
- Contact: louise.auger [AT] supagro.fr
- #DigitAg: Axe 3 : Capteurs, acquisition et gestion de données, Axe 2 : Innovations en agriculture numérique, Challenge 1 : Le challenge agroécologique, Challenge 6 : La gestion des territoires agricoles
En Occitanie, l’eau est une ressource critique pour l’agriculture. Le changement climatique renforce cet état de fait. En permettant de réduire le stress hydrique des cultures, l’irrigation fait partie des moyens d’adaptation possibles et peut constituer un levier important de transition agroécologique. Au sein d’exploitations déjà engagées en agroécologie et irriguées, une meilleure connaissance de la gestion de l’eau et de l’irrigation à l’échelle de l’exploitaiton est nécessaire. Le projet TAI-OC vise à caractériser les systèmes agroécologiques irrigués d’Occitanie, à comprendre les facteurs de la transition agroécologique et à accompagner cette transition. Pour comprendre ces systèmes, notamment en termes d’utilisation de l’eau, nous souhaitons nous appuyer sur les développements, initiés dans le cadre du projet PRIMA (Open innovation Hub for Irrigation Systems in Mediterranean agriculture), d’un ensemble de solutions techniques à base de capteurs low-tech et à bas coût (Vandôme et al., 2023). Ces technologies sont faciles à entretenir et à reproduire par les utilisateurs et peu coûteux. Ils sont sans fil et de faible puissance, donc autonomes. Ils sont basés sur des microcontrôleurs open-source et le protocole de communication LoRaWAN. Ces solutions permettent de mieux comprendre le pilotage de l’irrigation au sein des exploitations. Différents capteurs permettant le suivi l’humidité du sol (sonde capacitive) et des débits (capteur à hélice, débitmètre à ultrason, sonde à pression) sont en cours de développement. Après des essais en laboratoire, nous souhaitons les installer dans des exploitations agricoles pour 1/ tester leur fiabilité, 2/ évaluer leur pertinence pour un suivi de l’irrigation dans ces exploitations et 3/ calculer quelques indicateurs explicitant la part d’eau dévolue aux pratiques agroécologiques au sein de l’exploitation. Le stagiaire aura pour objectif de réaliser un suivi d’irrigation et de variables agronomiques dans des exploitations agroécologiques en Occitanie. Ce travail se déclinera en : 1/ la participation à la réflexion sur le choix des exploitants et les modalités de suivi à réaliser (choix parcelle, localisation des capteurs, etc.) (fonction de la date d’arrivée du stagiaire et/ou de son implication en amont du stage, si souhaité) 2/ l’écriture d’un guide d’entretien et de suivi auprès des irrigants permettant de comprendre les règles de décision de l’irrigation et obtenir les informations agronomiques nécessaires. Le cadre d’analyse du « modèle d’action pour l’irrigation » (Leroy et al, 1996) sera mobilisé. 3/ la fabrication et la calibration des capteurs low-techs qui seront utilisés (montage, test, calibration des sondes capacitives avec des échantillons de sols collectés chez les agriculteurs). Ce travail se fera à plusieurs. 4/ l’installation du dispositif de suivi. Le dispositif est composé d’un ensemble de capteurs low-techs (ceux décrits ci-dessus), mais également d’une station météorologique et de sondes tensiométriques permettant de valider les mesures des capteurs low-tech. 5/ le suivi d’une saison d’irrigation. Cela comprendra la maintenance des capteurs, la collecte des données, la réalisation d’entretiens avec les agriculteurs. 6/ l’analyse des données d’irrigation pour i) mettre en évidence des règles de décision et les choix stratégiques d’irrigation et ii) estimer quantitativement les flux d’eau à l’échelle de l’exploitation et la part relative de l’irrigation dédiée aux pratiques agroécologiques, iii) vérifier la fiabilité des mesures issus des capteurs low-techs. Ce travail sera réalisé chez 3 à 6 agriculteurs (viticulture et/ou maraîchage) en Occitanie, préalablement identifiés par le Projet TAI-Oc. Les exploitations seront localisées dans les régions de Montpellier et Narbonne. Ce travail permettra, dans le cadre du projet TAI-OC, de réaliser un premier suivi d’irrigation grâce à des capteurs low-techs, d’estimer les potentiels d’amélioration de l’irrigation chez ces agriculteurs afin d’installer un suivi en 2025 chez un plus grand nombre d’agriculteurs. Un deuxième volet du projet s’appuiera sur ces données collectées pour faire des simulations prospectives à l'échelle territoriale.
Se regrouper quand il fait chaud ? Étude du comportement de "chôme" chez les ovins
Mots-clé: Comportement collectif, chôme, stress thermique, bien-être animal, capteurs numériques embarqués
- Discipline secondaire: Sciences pour l'Ingénieur
- Durée souhaitée du stage (nombre de mois): 6
- Date de début du stage: 20 février 2023
- Unité de recherche: Centre de Recherches sur la Cognition Animale, Université Toulouse III - Paul Sabatier
- Contact: Bon Richard - richard.bon [AT] univ-tlse3.fr
- #DigitAg: Axe 3 : Capteurs, acquisition et gestion de données, Axe 2 : Innovations en agriculture numérique, Challenge 4 : Des productions animales durables, Challenge 1 : Le challenge agroécologique
Chez les ovins au pâturage, le comportement dit de chôme est un comportement collectif d’agrégation des individus lié à la chaleur environnementale. Au cours de l'expression de ce comportement, qui peut durer plusieurs heures en cas de fortes chaleurs, le groupe n'ingère plus. Les dynamiques collectives associées à l'expression de ce comportement, leurs liens avec la température environnementale et l'intérêt individuel ou collectif de l'expression de ce comportement sont mal déterminés.
Pourtant ce comportement est au cœur des stratégies de pilotage des déplacements du troupeau par les bergers, peut représenter un frein aux performances du troupeau et est un enjeu de gestion du bien-être animal dans sa composante comportementale. L’évolution globale du climat et la multiplication des épisodes de chaleurs caniculaires dans le pourtour méditerranéen accentuent le besoin d’études de ce comportement afin de le comprendre et proposer des moyens de gestion de l’environnement de pâturage qui respectent les besoins comportementaux individuels et collectifs.
Dans cet objectif, pour ce premier projet nous visons, par l’utilisation d’outils numériques dédiés, à caractériser d’une part (i) les dynamiques collectives de regroupement (transmetteurs radio et capteurs ultra wideband embarqués) et d’autre part (ii) les conditions d’ambiance au sein de ces regroupements animaux (capteurs de température et de teneurs en gaz type CO2 et O2), en lien avec les conditions climatiques locales (capteurs de température, humidité et rayonnement solaire). Ces suivis seront réalisés au sein différents groupes de brebis (5 à 15 individus) du Domaine du Merle (Institut Agro Montpellier, Salon-de-Provence). Ils seront complétés par un suivi comportemental et sanitaire du troupeau notamment en lien avec des mesures du niveau de stress oxydatif dosage de métabolites plasmatiques.
Ce projet représente une opportunité de formalisation d’une collaboration entre les équipes du CRCA et de l’UMR SELMET.
