Intégration des données d'observation de la Terre et méthodes d'apprentissage profond pour le suivi des systèmes alimentaires

Contexte et enjeux

Dans un contexte où les systèmes alimentaires sont soumis à des pressions croissantes, ce stage se propose de développer des outils innovants pour leur suivi en intégrant des données issues de l'observation de la Terre. En particulier, il s’agira de combiner des données multi-temporelles et multi-résolution avec des modèles d’apprentissage profond afin de caractériser et suivre les surfaces cultivées, les flux alimentaires et les prix agricoles au Rwanda. Cette approche vise à améliorer la gestion des territoires agricoles et à prédire les effets à court terme sur l’alimentation dans cette région.

Objectifs du stage

1. Intégration des données satellitaires : Exploiter des données d'observation de la Terre (Sentinel-2, PlanetScope, MODIS) pour le suivi des systèmes alimentaires.
2. Développement d’un modèle d’apprentissage profond : Concevoir un framework de deep learning permettant d’automatiser le suivi des flux alimentaires et l’analyse des prix agricoles.
3. Évaluation et comparaison : Évaluer l’approche proposée par rapport à des méthodes de référence et des méthodologies récentes de l’état de l’art.

Méthodologie

1. Collecte et mise en forme des données satellitaires sur la zone d’étude (Rwanda).
2. Étude bibliographique sur les méthodes récentes liées à l’intégration de données multi-temporelles et multi-résolution.
3. Conception et implémentation d’un modèle de deep learning pour le suivi des flux alimentaires et l’analyse des prix agricoles.
4. Validation du modèle par comparaison avec des méthodologies baseline et état de l’art.
5. Rédaction d’un rapport (en anglais) et préparation pour une éventuelle publication scientifique.

Profil recherché

• Formation : Master 2 ou ingénieur avec spécialisation en sciences des données, machine learning ou télédétection.
• Compétences requises :
  • Analyse et traitement de données (collecte, exploration, mise en relation).
  • Programmation, préférablement en Python.
  • Capacités rédactionnelles, de synthèse et de travail en équipe.
• Atouts : Expérience en deep learning (bibliothèque PyTorch) et en analyse de données satellitaires.

Enjeux scientifiques

Les résultats de ce stage contribueront au développement de méthodologies avancées pour la surveillance des systèmes alimentaires, en intégrant des données d'observation de la Terre et des outils d’apprentissage profond. Ce travail permettra d’améliorer les connaissances sur les flux alimentaires et leur lien avec les prix agricoles, offrant des perspectives pour des outils d’aide à la décision dans un contexte de gestion durable des territoires agricoles.