M2:Deep-learning appliqué à la calibration d'un simulateur de croissance d'arbre complet

Type de poste
Niveau d'étude minimal
Dates
Durée du poste
Contrat renouvelable
Contrat non renouvelable
Date de prise de fonction
Date de fin de validité de l'annonce
Localisation
Nom de la structure d'accueil
Adresse

Batiment PSII, 196 Blvd de la Lironde
34980 Montferrier sur le Lez
France

Contacts
Jean-Francois Barczi
Philippe Borianne
Email du/des contacts
barczi@cirad.fr
borianne@cirad.fr
Description

L'étude de la croissance des arbres est essentiellement menée sur leur partie caulinaire. Le système racinaire reste le
parent pauvre, essentiellement à cause de la difficulté de son observation tout particulièrement pour ce qui concerne le suivi de croissance. Les membres de l'UMR Amap mènent des études sur ces deux compartiments qui vont des expériences et observations sur le terrain jusqu'à la modélisation et la simulation de la croissance pour de multiples espèces. De récents développements logiciels permettent de simuler conjointement les deux compartiments (RoCoCau). L'adjonction d'un module complémentaire (TOY) permet d'exprimer leur dépendance tant pour la production d'assimilats (eau captée dans le sol par les racines, carbone de l'air capté par les feuilles et énergie de la lumière captée par les feuilles pour la photosynthèse) que pour la croissance relative racinaire/caulinaire.
Quelques études préliminaires ont montré la capacité de ce modèle à bien rendre compte de la plasticité des arbres pour s'adapter aux variations de leur environnement en ce qui concerne l'eau et la lumière. Il est relativement simple de lancer des campagnes de simulation in silico en faisant varier les valeurs des paramètres ou bien les données d'eau ou de lumière au cours du temps. On peut ainsi examiner le comportement du modèle en fonction des valeurs qu'on lui fournit en entrée. On peut également étudier si il est possible de prédire la partie racinaire en observant juste la dynamique de croissance de la partie aérienne et quelques caractéristiques globales du système racinaire qui sont facilement observables (diamètre au collet, nombre et diamètre des départs de racines principales...).
Une difficulté récurrente de ce genre d'approche réside dans la lourdeur de la collecte d'informations qui permet de calibrer les modèles sur des données réelles. On rencontre même souvent des difficultés pour la calibration elle-même quand le nombre de paramètres à identifier augmente. Outre la description de la croissance de la structure au cours du temps (simulée par le modèle RoCoCau), le module fonctionnel additionnel (TOY) comprend une vingtaine de paramètres (Cair, Lummax, Kbeer, seuilsmort, seuilsramif, attenuation_apicales, Lum(t), H2O(t)).
Un premier stage a permis de vérifier le potentiel de la méthode de calibration du modèle TOY en utilisant le réseau de neurones profond VoxNet sans pour autant avoir débouché sur une solution opérationnelle.
Ce stage a pour objectif de valider cette méthode qui doit permettre de minimiser la quantité de mesures à effectuer sur le terrain en utilisant des bases de données de plantes simulées. Pour cela, l’étudiant disposera du travail du stage précédent et de bases de données de plantes simulées converties au format d’entrée de VoxNet. Si cette première étape fournit des résultats prometteurs, une campagne de recalibration sur des données réelles collectées sur des tecks guyanais sera entreprise. On pourra alors prévoir un d'enrichissement artificiel de données puisque seulement 26 arbres ont été mesurés. Si la première étape n'est pas concluante, l'étudiant devra proposer et mettre en place une nouvelle approche basee sur le deep learning. Il pourra egalement proposer un protocole pour générer plus de données ou de meilleures données en ne perdant pas de vue que ce protocole doit être transposable à la réalité. Nous pensons en particulier à fournir en entrée du réseau de neurones des mesures de traits architecturaux en plus des images tridimensionnelles.
Le stage sera idemnise aux conditions standards (3.90 euros/h).

Equipe adhérente personne morale SFBI
Equipe Non adhérente