Mots-Clés

crowdsourcing, état hydrique de la vigne, Intelligence Artificielle, mathématiques appliquées, viticulture, sciences participatives, statistiques

Description

Titre : Modélisation de données de crowdsourcing en agriculture par des approches de deep learning et processus ponctuels

Durée : 5 à 6 mois
Lieu : Montpellier
Niveau requis : Master 2 / dernière année d’école d’ingénieur
Mots-clefs : crowdsourcing, état hydrique de la vigne, Intelligence Artificielle, mathématiques
appliquées, viticulture, sciences participatives, statistiques

Contexte:

Le suivi de l’état hydrique de la vigne constitue un enjeu crucial dans la gestion du vignoble car il a un impact direct sur la croissance végétative de la vigne, la qualité et le rendement de la récolte.
Toutefois, les méthodes actuellement disponibles à l’échelle parcellaire sont souvent onéreuses et complexes à déployer sur le terrain. Pour répondre à cette problématique, l’Institut Agro Montpellier et l’Institut Français de la Vigne et du Vin ont développé l’application mobile Apex-Vigne. Cette application mobile gratuite facilite la collecte et la géolocalisation d’observations par les viticulteurs-trices ou les conseillers-ières viticoles à l’aide de la méthode dite des apex. Cette méthode consiste à caractériser la croissance végétative d’une parcelle de vigne en classant 50 apex (extrémité des rameaux de la vigne) selon trois catégories de croissance puis en calculant un indicateur synthétique, l’iC-Apex. Cet indicateur permet ensuite de produire une estimation simple de l’état hydrique de la vigne qui peut être utilisée pour de l’aide à la décision. L’Institut Français de la Vigne et du Vin recommande de réaliser pour chaque parcelle suivie une observation par semaine durant toute la période végétative. Cependant, les viticulteurs-trices ou les conseillers-ières viticoles
utilisent l’application Apex-Vigne de manière opportuniste et en fonction de leurs propres préoccupations et contraintes logistiques. Il y a donc une forte variabilité dans le nombre de parcelles suivies par chaque utilisateur, leur niveau d’expertise agronomique, le nombre d’observations réalisées par parcelles au cours d’une saison, les dates de première et de dernière observations, les conditions pédo-climatiques et les pratiques agricoles des parcelles suivies.
Par ailleurs, dans un contexte de changement climatique, suivre l’état hydrique du vignoble à l’échelle régionale est un enjeu fort pour aider les acteurs de la filière viticole dans leurs prises de décision à court et à long terme. A cette échelle spatiale, les seules approches existantes sont la modélisation et la télédétection. Cependant ces approches ne sont pas basées sur des mesures réelles et nécessitent de faire de fortes hypothèses qui peuvent nuire à la qualité de l’information fournie. Les observations collectées via l’application Apex-Vigne constituent une alternative intéressante pour suivre l’état hydrique de la vigne à l’échelle régionale. Ces observations sont toutes horodatées, géoréférencées et centralisées dans une base de données. Plus de 40 000 observations ont déjà été collectées, principalement en région méditerranéenne. Cependant, les caractéristiques d’utilisation de l’application Apex-Vigne génèrent des données incertaines (profil varié des utilisateurs), asynchrones et hétérotopes (collecte opportuniste). L’échantillonnage est également biaisé dans l’espace avec une surreprésentation de certains vignobles par exemple ceux sur lesquels une dynamique collective s’est mise en place et dans le temps avec une concentration des observations dans les périodes d’apparition du stress hydrique. Ces biais spatiaux et temporels sont encore mal connus et doivent pourtant être corrigés pour que les données de l’application Apex-Vigne puissent être utilisées afin de caractériser l’état hydrique de la vigne à l’échelle régionale.

Objectifs du stage :

L’objectif principal est de modéliser ces données opportunistes à l’aide de méthodes de deep learning adaptées aux processus ponctuels, et en particulier en s’appuyant sur des modèles de processus de Poisson inhomogène, qui intègrent des covariables environnementales (météo, sol, topographie, imagerie, etc.). Un axe complémentaire portera sur l’étude des biais potentiels dans les données (sous/sur-échantillonnage), et sur les méthodes de correction appropriées.

Missions principales :

• Prise en main des données APEX et exploration de données.
• Intégration et prétraitement des covariables environnementales.
• Implémentation de modèles de type point process / Poisson spatial conditionnés sur les covariables.
• Exploration de modèles de deep learning adaptés (ex. Poisson regression, Point Processes,..).
• Étude de méthodes de debiaising
• Évaluation des performances (qualité prédictive, interprétabilité, robustesse).
• Rédaction d’un rapport de stage et valorisation scientifique potentielle (présentation interne ou publication).

Profil recherché :

• Solide formation en statistiques, machine learning, ou mathématiques appliquées.
• Bonnes compétences en programmation.
• Intérêt pour les problématiques environnementales ou agricoles.
• Autonomie, rigueur, curiosité scientifique.

Encadrement et environnement :

Le stage sera encadré par une équipe pluridisciplinaire en data science et agronomie, avec accès à
des jeux de données réels et des ressources computationnelles (GPU, cluster, etc.).