#DigitAg propose des thèses pour des sujets de recherche interdisciplinaires, cofinancées avec ses établissements membres - Digital Africa

 
Offres de thèses : campagne 2019 | 1

#DigitAg propose des thèses pour des sujets de recherche interdisciplinaires, cofinancées avec
ses établissements membres
Le plus : les doctorants bénéficieront aussi d’une aide pour financer leurs travaux (équipement, colloques…).

Les sujets affichés ont été sélectionnés par #DigitAg qui les co-financent avec l’établissement d’accueil :
pour en savoir plus > rapprochez-vous du contact indiqué pour le sujet qui vous intéresse

Sujets sélectionnés pour la rentrée 2019 :

      Mathématiques et leurs applications + Sciences de la Vie et de l’Environnement
      Sciences Humaines et Sociales
      Sciences Humaines et Sociales + Sciences pour l’Ingénieur
      Sciences pour l’Ingénieur + Sciences de la Vie et de l’Environnement
      Sciences de la Vie et de l’Environnement + Sciences pour l’Ingénieur

                                                                              #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 1
Offres de thèses : campagne 2019 | 2

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement
Modéliser la performance de cultures associées annuelles : une approche combinant écologie fonctionnelle et science des données
Mots-clés : Agroécologie, cultures associées, data science, modélisation, fouille de données, apprentissage, phénotypage
• Contact : Noémie Gaudio – noemie.gaudio [AT] inra.fr
• Directeur(s) de thèse : Nadine Hilgert, Inra MISTEA,
• Encadrant(s) : Nadine Hilgert, Inra MISTEA / Pierre Casadebaig, Inra AGIR / Noémie Gaudio, Inra AGIR
• Unités d’accueil : AGIR (Inra Toulouse), MISTEA (Inra Montpellier)
• Cofinancement : INRA
• #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 1 : Le challenge agroécologique, Axe 5 : Fouille de données, analyse de données, extraction de connaissances
L’utilisation de la diversité végétale cultivée émerge comme l’un des leviers pour s’orienter vers une agriculture durable. En effet, la diversité d’une communauté végétale naturelle augmente et stabilise la
production primaire via des effets de complémentarité entre plantes. Pour l’agriculture, l’enjeu actuel est de déterminer quels mélanges d’espèces améliorent la performance globale du système via une meilleure
utilisation des ressources environnementales disponibles dans le système de culture considéré. Bien que l’intérêt agronomique de ces couverts mélangés (i.e. cultures associées) ait été mis en évidence
expérimentalement en contexte bas intrants, les conclusions de ces travaux soulignent la variabilité des résultats selon les conditions environnementales et les pratiques agronomiques.
Notre objectif est de développer des approches prédictives basées sur des concepts issus de l’écologie des communautés pour concevoir des couverts mélangés. Ces théories suggèrent que deux processus sont
particulièrement impliqués dans la performance des couverts mélangés : la complémentarité de niches, d’une part, peut être quantifiée par la distance entre des traits fonctionnels clés (caractéristiques
morphologiques et physiologiques de la plante) des composantes du mélange ; la plasticité phénotypique, d’autre part, peut être quantifiée par la variance des ces traits entre différentes conditions de culture.
Pour cela, nous disposons d’une large base de données constituée de plusieurs dizaines d’expérimentations agronomiques, qui rassemblent des mesures de traits sur une dizaine d’espèces, chacune représentée
par plusieurs variétés et dans de nombreux environnements (sites, années). A partir de ces mesures et de variables pédo-climatiques, nous mobiliserons des approches de science des données pour réduire la
dimension des données observées (fouille de données) et prédire la performance (statistiques, apprentissage) des couverts dans une large gamme d’environnements de culture.

                                                                                                     #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 2
Offres de thèses : campagne 2019 | 3

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement
Méthodes et indicateurs pour évaluer la spatialisation des modèles de culture pour l’Agriculture de Précision : application à un modèle d’état hydrique de la
vigne
• Mots-clés : modélisation des cultures, spatialisation, vignobles
• Contact : Taylor, James – james.taylor@irstea.fr
• Directeur(s) de thèse : Taylor, James, ITAP, Irstea / Tisseyre, Bruno, ITAP, Montpellier SupAgro
• Encadrant(s) : Taylor, James, ITAP, Irstea / Roux, Sebastien, MISTEA, INRA / Tisseyre, Bruno, ITAP, Montpellier SupAgro
• Unités d’accueil : ITAP, MISTEA
• Cofinancement : Irstea
• #DigitAg : Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 5 : Les services de conseil agricole, Axe 5 : Fouille de données, analyse de données, extraction de connaissances,
Challenge 3 : La protection des cultures
Cette thèse étudiera comment les données agricoles spatiales et temporelles à haute résolution peuvent être incorporées dans les modèles de culture existants pour en améliorer les capacités prédictives à court
terme. L’objectif est de rendre les modèles de culture plus utiles pour la gestion tactique à court terme à l’échelle intra-parcellaire. Contrairement à la plupart des travaux antérieurs sur la spatialisation d’un
modèle de culture, ce projet réduit l’échelle d’application du modèle de culture afin de fournir des prévisions à une résolution spatiale et temporelle plus fine. Cela augmente le risque que les effets stochastiques
et d’autocorrélation spatiale et temporelle des données d’entrée aient un impact négatif sur la simulation du modèle. Cela soulève également la question de l’effet de la modification de l’échelle des données
d’entrée et de sortie sur la qualité de la simulation. Pour répondre à ces préoccupations, un modèle d’état hydrique de la vigne (HV) sera utilisé comme scenario de test. Le modèle HV sera spatialisé avec des
informations à haute résolution, relative au couvert végétal et au sol. L’échelle spatiale des données d’entrée et de sortie sera modifiée pour observer les effets sur la simulation du modèle.s. Dans le cadre du
projet, les bonnes méthodes d’évaluation de la performance du modèle de culture spatialisé (selon des échelles changeantes d’intrants et d’extrants), qui tiennent compte de l’autocorrélation spatiale potentielle
des données et des extrants, seront examinées pour assurer une évaluation scalaire correcte de la performance du modèle.
L’originalité de la thèse sera le développement de méthodes d’évaluation de modèles de cultures spatialisé pour des applications en agriculture de précision (gestion modulée des cultures). Le fait de relier les
quantités croissantes de données agricoles observées avec les connaissances physiologiques captées dans les modèles de culture est un domaine où l’agriculture numérique peut avoir un impact rapide et à
court terme pour l’amélioration du pilotage des cultures et une meilleur gestion des intrants. Les modèles de culture spatialisés peuvent être utilisés aux niveaux national et régional pour la sécurité alimentaire,
la politique agricole et la gestion de la chaîne d’approvisionnement. Ils ont également le potentiel d’améliorer la gestion tactique pour une conduite modulée des opérations agricoles, et la présente thèse se
propose d’explorer cette voie. Elle utilisera des données spatio-temporelles relatives à l’évolution des couverts végétaux, des produits numériques de cartographie des sols et les services les plus récents pour
caractériser le vignoble afin de générer des informations à l’appui d’un modèle HV utilisable pour le pilotage de l’irrigation par exemple.

                                                                                                        #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 3
Offres de thèses : campagne 2019 | 4

Mathématiques et leurs applications – Sciences de la Vie et de l’Environnement
Caractérisation de la variabilité de réponse de plantes à des stress multiples par imagerie hyperspectrale et approches omiques : Application à la culture du blé
• Mots-clés : Multi capteurs ; stress biotiques et abiotiques ; analyse d’image ; traitement et fusion de de données ; apprentissage machine
• Contact : Nathalie Gorretta – nathalie.gorretta [AT] irstea.fr
• Directeur(s) de thèse : Ryad Bendoula, Irstea ITAP / Pierre Roumet, Inra AGAP
• Encadrant(s) : Nathalie Gorretta, Irstea ITAP / Elsa Ballini, Montpellier SupAgro BGPI / Martin Ecarnot, Inra AGAP
• Unités d’accueil : ITAP, AGAP
• Cofinancement : Irstea
#DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 3 : La protection des cultures, Axe 2 : Innovations en agriculture numérique,Axe 5 : Fouille de données, analyse de données, extraction
de connaissances, Challenge 1 : Le challenge agroécologique,Challenge 2 : Le phénotypage rapide
Le développement de nouvelles pratiques agricoles basées sur des principes d’agro-écologie, nécessite d’être en capacité d’analyser des interactions complexes entre les plantes et leurs environnements
biotiques et abiotiques. Cette mise en capacité d’analyse des stress multiples nécessite, d’une part, d’adopter un cadre conceptuel nouveau comme le phytobiome ou le phénotype étendu, et d’autre part, de
coupler des méthodologies qui permettent d’analyser le phénotype de la plante entière -ou de certains organes- à différentes échelles. Dans ce travail, nous proposons de combiner des approches innovantes
basées sur l’interaction lumière-matière à des approches plus classiques ‘en omiques’ pour caractériser la variabilité de réponse du blé dur à des stress multiples : biotiques (Septoriose, Rouille brune) et
abiotique (contrainte hydrique).
Sciences Humaines et Sociales
Effets du numérique sur la R&D agricole. Nouveaux modèles de services pour nouvelles agricultures ?
Mots-clés : Digitalisation, R&D, conseil, partenariat public-privé, économie institutionnelle, organisations collectives
• Contact : Pierre Labarthe – pierre.labarthe [AT] inra.fr
• Directeur(s) de thèse : Pierre Labarthe, Inra AGIR / Jean-Marc Touzard, Inra Innovation
• Encadrant(s) : Toillier, Aurélié, Innovation, CIRAD / Labatut, Julie, Agir, INRA / Vermeulen, Ben, , Université de Hohenheim
• Unités d’accueil : AGIR (Inra Toulouse), INNOVATION (Inra Montpellier)
• Cofinancement : Inra
• #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 5 : Les services de conseil agricole
L’objectif de la thèse est d’analyser l’effet de la digitalisation de l’agriculture sur le fonctionnement de la R&D du secteur. Il s’agit de comprendre comment le numérique transforme les organisations collectives
dont les agriculteurs se sont dotés pour produire des connaissances sur les technologies qu’ils utilisent. L’hypothèse est que la digitalisation se traduit par la construction d’un marché des outils d’aide à la
décision (OAD) ainsi que par de nouvelles alliances et concurrences dans la valorisation des données produites par, pour et avec les agriculteurs. Le développement des technologies numériques s’accompagne
de l’arrivée de nouveau acteurs dans le paysage des services de conseil et de recherche appliquée (start-ups, multinationales…). Il est nécessaire d’analyser comment l’arrivée de ces acteurs transforme les
modèles de production des services pour les agriculteurs, mais également les relations entre acteurs de la R&D ainsi que les institutions qui la régulent. Une attention particulière sera portée au développement
des modèles agronomiques qui sous-tendent les outils d’aides à la décision. Quelles sont les sources de connaissances ? Qui investit dans la construction des modèles et leur validation ? Ces modèles sont-ils
compatibles avec une écologisation des pratiques agricoles ? La thèse s’intégrera sur un projet européen pour proposer une comparaison entre France, Royaume-Uni et Pays-Bas. La méthodologie s’appuiera sur
un travail d’enquêtes auprès des acteurs publics et privés de la R&D et de l’offre de services aux agriculteurs. Une étude plus approfondie sera menée sur le développement d’un nouveau service afin de mettre à
jour les alliances et investissements sur lesquels s’appuie son développement. Cette thèse renforcera les relations entre les laboratoires AGIR et Innovations ; elle s’inscrira dans une pluridisciplinarité entre
économie et sciences de gestion.

                                                                                                       #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 4
Offres de thèses : campagne 2019 | 5

Sciences Humaines et Sociales
Le numérique dans la transition agroécologique : développement, contributions et enjeux des organisations open source à destination des paysans
• Mots-clés : Open source, transition agroécologique, petits producteurs, organisation alternative, espace hybride
• Contact : PALPACUER Florence – florence.palpacuer@umontpellier.fr
• Directeur(s) de thèse : PALPACUER Florence, Montpellier Recherche en Management, Université de Montpellier / KESSARI Myriam, MOISA, Institut Agronomique Méditerranéen de Montpellier
• Encadrant(s) : PAGET Nicolas, UMR Innovation, CIRAD / DEMIL Benoit, Lille Economie et Management (LEM), UMR 9221, Université de Lille / à préciser, à préciser, à préciser
• Unités d’accueil : Montpellier Recherche en Management (EA 4557), MOISA
• Cofinancement : Université de Montpellier
• #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 0 : sujet transversal, Axe 2 : Innovations en agriculture numérique, Challenge 7 : Intégration de
l’agriculture dans les chaînes de valeur
Les analyses récentes de l’évolution des systèmes alimentaires vers une transition agro-écologique soulignent l’importance de i) la création et la mobilisation de savoirs issus de l’agro-écologie, ii) l’engagement
des acteurs (agriculteurs, conseillers agricoles…) dans la construction et l’adaptation de ces savoirs aux territoires, et iii) une reconnexion de la production agricole avec l’alimentation locale. Dans cette
perspective, la thèse s’intéresse aux nouvelles formes d’organisation qui mobilisent l’open source pour favoriser le partage de ressources, la mise en réseau et la réappropriation d’outils agricoles par les paysans,
dans une visée agro-écologique. Le champ d’étude inclue des organisations situées à différentes étapes de la chaîne de valeur, soit qu’elles offrent des plans d’outils et des techniques de travaux agricoles
adaptés aux petites exploitations et aux modes de production agro-écologiques, soit qu’elles soutiennent la commercialisation, par des plateformes mettant en relation les paysans et les consommateurs.
A partir d’une étude de cas multiple, la thèse vise à comprendre comment ces organisations open source se structurent, mutualisent et génèrent de nouvelles compétences à visée agro-écologique, comment les
agriculteurs s’y intègrent, et comment elles prennent en charge leurs enjeux de viabilité et de pérennité économique. S’inscrivant en sciences de gestion, la thèse puisera à des disciplines connexes telles que la
sociologie, l’économie et la géographie des systèmes alimentaires, ainsi qu’à l’informatique et à l’agronomie pour mieux cerner les enjeux et spécificités techniques des activités étudiées. Elle se donne pour
objectif de produire des connaissances actionnables par les praticiens, pour outiller les acteurs de la transition agro-écologique.
Sciences Humaines et Sociales
Transition numérique en agriculture : description de son déploiement et impact sur le positionnement des agriculteurs dans la chaîne de valeur
Mots-clés : Transition numérique, Adoption technologique, Appropriation, Usage, Performance économique, Chaine de valeur, Capacités organisationnelles, Avantage compétitif
• Contact : Isabelle Piot-Lepetit – isabelle.piot-lepetit [AT] inra.fr
• Directrice de thèse : Isabelle Piot-Lepetit, Inra MOISA / Isabelle Bourdon, Université de Montpellier MRM
• Encadrant(s) : Karine Gauche, Montpellier SupAgro MOISA/ Magali Aubert, Inra MOISA
• Unités d’accueil : MOISA, MRM
• Cofinancement : Inra
• #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 2 : Innovations en agriculture
numérique, Challenge 5 : Les services de conseil agricole
Le projet consiste à décrire l’état actuel de la transition numérique en agriculture et les directions à venir. L’objectif est de comprendre et d’expliquer les déterminants et freins à l’usage et à l’appropriation du
numérique en agriculture dans une perspective qui va au-delà de la seule diffusion et adoption d’innovations. Utilisant des concepts issus des domaines de l’économie, de la sociologie et des sciences de gestion,
l’approche retenue permet de caractériser l’hétérogénéité des comportements, l’évolution des métiers et les possibilités de changements quant au positionnement des agriculteurs dans la chaine de valeur. Sur
le plan méthodologique, le travail développe un cadre d’analyse selon une dimension temporelle avec des points de passage entre les différentes étapes de la transition numérique. L’impact économique est
appréhendé par les capacités organisationnelles qui permettent d’identifier les pratiques génératrices d’un avantage compétitif et donc d’un meilleur positionnement dans la chaine de valeur. Sur le plan
empirique, des enquêtes seront conduites auprès d’agriculteurs, de conseillers agricoles, de fermes expérimentales et d’éditeurs de solutions numériques pour décrire et comprendre la transition numérique en
agriculture. Des entretiens auront lieu apostériori pour vérifier les résultats obtenus à partir des enquêtes et appréhender les directions à venir de cette transition numérique.

                                                                                                         #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 5
Offres de thèses : campagne 2019 | 6

Sciences Humaines et Sociales
Phase de candidature terminée
Agriculture numérique : le travail en question dans les exploitations agricoles. Trajectoires et coexistence dans les territoires
Mots-clés : Agriculture numérique, travail, exploitation agricole, territoire, gestion de l’exploitation, automatisation, TIC, innovation
• Contact : Pierre Gasselin – pierre.gasselin [AT] inra.fr
• Directeur(s) de thèse : Lucette Laurens, Université de Montpellier III Paul Valéry, UMR Innovation
• Encadrant(s) : Pierre Gasselin Pierre, Inra UMR Innovation / Lucette Laurens, Université de Montpellier III Paul Valéry, UMR Innovation / François Purseigle, Inra AGIR
• Unités d’accueil : Innovation (Inra Montpellier, AGIR (Inra Toulouse=)
• Cofinancement : Inra
• #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 0 : sujet transversal, Axe 2 : Innovations en agriculture numérique,Axe 6 : Modélisation et
simulation (systèmes de production agricole),
L’agriculture numérique (AN), incluant les technologies de l’information et de la communication (TIC) et les agroéquipements automatisés, est l’objet de nombreux espoirs de transformation des modèles
agricoles. Certains parlent même de révolution et voient en celle-ci une source d’innovation tantôt pour une agriculture plus durable tantôt pour des exploitations plus compétitives. La littérature scientifique
s’intéresse essentiellement au fonctionnement de ces outils numériques et à leurs impacts économiques. Un large champ de recherche s’ouvre pour comprendre la contribution de cette AN aux transformations
de l’agriculture. L’exploitation agricole constitue une entrée pertinente pour comprendre à la fois les conséquences de l’AN sur les mutations en cours du travail en agriculture mais également pour identifier des
changements dans les stratégies de gestion de l’exploitation. Mobilisant des cadres d’analyse de la géographie économique et sociale, ce projet de thèse propose de questionner les changements induits par l’AN
dans les logiques socio-économiques et territoriales des exploitations agricoles. Ces résultats nous permettront, dans un second temps, d’étudier comment l’AN reconfigure les modalités de coexistence des
exploitations et des modèles agricoles dans les territoires étudiés.

                                                                                                       #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 6
Offres de thèses : campagne 2019 | 7

Sciences Humaines et Sociales – Sciences pour l’Ingénieur
Gestion des risques, Gouvernance et Performance des Entreprises Coopératives Agricoles : Développement d’une analyse exploratoire et théorique de données
et conception d’un outil de gestion des risques
• Mots-clés : Coopératives agricoles, exploitations agricoles adhérentes, gestion des risques, gouvernance, performance, exploration de données, modélisation, revue de la littérature, outil d’aide à la décision
• Contact : PIOT-LEPETIT Isabelle – isabelle.piot-lepetit@inra.fr
• Directeur(s) de thèse : PIOT-LEPETIT Isabelle, UMR MOISA, INRA / TEISSEIRE Maguelonne, UMR TETIS, IRSTEA
• Encadrant(s) : SAISSET Louis-Antoine, UMR MOISA, Montpellier SupAgro / SAUTOT Lucie, UMR TETIS, AgroParisTech / VALETTE Justine, MRM, Université de Montpellier
• Unités d’accueil : MOISA, TETIS
• Cofinancement : Inra
• #DigitAg : Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 4 : Système d’information,
stockage et transfert de données, Challenge 5 : Les services de conseil agricole
La gestion des risques économique et financier est au cœur des nouveaux challenges des coopératives agricoles en tant que levier de leur performance et de leur pérennité. Les coopératives financent leurs
besoins d’investissements, mais aussi de couverture des risques en ajustant leur proportion de fonds propres et de dettes, assurant ainsi la pérennité de leurs activités en permettant d’absorber les pertes
soudaines et imprévues. Le risque étant affecté par divers facteurs, l’objet de ce projet est d’une part de caractériser les relations existantes entre risque, gouvernance et performance dans les coopératives
agricoles françaises et d’autre part d’identifier des structures relationnelles stables entre les différents éléments considérés afin de proposer un outil d’aide à la décision permettant aux coopératives de
caractériser leurs risques et l’impact sur leur performance en fonction de leur gouvernance et de suivre leur évolution afin de mettre en place des alertes précoces et d’envisager des actions correctives rapides.
Cet outil de prévention des risques pourra aussi concerner les agriculteurs adhérents des coopératives sur leur exploitation. Pour ce faire, deux méthodologies seront mobilisées : une exploration des données
avec extraction de connaissances pour identifier les structures relationnelles existantes dans les données et une analyse théorique reposant sur une méta-analyse de la littérature en Economie et Sciences de
gestion et l’application des cadres d’analyses recensés au jeu de données disponible. La synthèse des résultats obtenus par les deux approches retenues permettra de positionner leur complémentarité et
d’identifier les éléments qui aboutissent à des conclusions similaires ou divergentes afin de caractériser des structures relationnelles stables. Par ailleurs, elle permettra la caractérisation éventuelle de nouvelles
structures relationnelles non capturées par les cadres d’analyse théorique identifiés, permettant ainsi de compléter et d’étendre les connaissances existantes concernant la relation entre risque économique et
financier, gouvernance et performance dans les coopératives agricoles françaises.

                                                                                                         #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 7
Offres de thèses : campagne 2019 | 8

Sciences pour l’Ingénieur – Sciences Humaines et Sociales
Conception d’un outil d’aide à la décision basé sur les savoir-faire d’expérience combinant ingénierie des connaissances et ACV sociale. Application aux AOP
fromagères
Mots-clés : Outil d’aide à la décision, Ingénierie des connaissances, traitement automatique de la langue, ACV sociale, ontologie, recommandation
• Contact : Patrice Buche – patrice.buche [AT] inra.fr
• Directeur(s) de thèse : Patrice Buche, Inra IATE / Catherine Macombe, Irstea ITAP
• Encadrant(s) : Nathalie Hernandez, Université de Toulouse Jean-Jaurès IRIT,/ Pierre Bisquer, Inra IATE
• Unités d’accueil : IATE, ITAP
• Cofinancement : Inra
• #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur, Axe 4 : Système d’information, stockage et
transfert de données, Challenge 5 : Les services de conseil agricole
Les filières fromagères bénéficiant d’une Indication Géographique (AOP/IGP) fondent leur stratégie de différenciation du produit mis en marché sur la valorisation des ressources locales en lien avec leur terroir et
sur l’expression des savoir-faire d’expérience tant au niveau de la production que de la transformation. Des évolutions internes aux appellations, en particulier en termes de renouvellement et de formation des
opérateurs, fragilisent fortement la préservation et la transmission de ces savoir-faire. Dans ce contexte, le développement actuel de méthodes d’ingénierie des connaissances permet d’une part l’alimentation de
bases de connaissances et d’autre part leur exploitation par des modes de raisonnement complexes ouvrant de nouvelles perspectives en termes de préservation et réutilisation dans des systèmes de
recommandation des savoir-faire issus de l’expérience opérationnelle [1]. Dans le cadre du projet CASDAR Docamex (2017-2020), l’équipe Ingénierie des COnnaissances (équipe ICO) de l’UMR IATE conçoit une
méthode et un outil d’aide à la décision (OAD) pour l’agriculteur qui l’aide à maîtriser un défaut ou une qualité de fabrication en lui recommandant les actions technologiques les plus pertinentes à entreprendre.
L’OAD permet également, pour une action donnée, de déterminer l’ensemble des défauts et qualités impactés. Ces recommandations sont basées sur la représentation formelle des relations de causalité reliant
défaut/qualité aux actions par des mécanismes explicatifs. Dans Docamex, l’équipe ICO travaille avec plusieurs filières AOP de caractéristiques différentes (Comté, Reblochon, Emmental de Savoie, Salers, Cantal)
afin de développer un OAD générique et adaptable. Les connaissances manipulées par l’OAD sont formalisées avec les langages du Web sémantique bien adaptés pour intégrer des connaissances provenant de
sources hétérogènes dans les filières.
La méthodologie générique développée dans la thèse proposera, afin d’enrichir la base de connaissance de l’OAD, d’exploiter et d’adapter des approches de Traitement Automatique de la
Langue (TAL) développés par l’équipe MELODI ( ME thodes et ingénierie des Langues, des Ontologies et du DIscours) de l’IRIT en s’appuyant sur le support sémantique apporté par l’ontologie
noyau et les ontologies de domaine d’application définis par l’équipe ICO (Ingénierie des CO nnaissances) dans le cadre du projet CASDAR DOCAMEX. L’outil d’aide à la recommandation
exploitant la base de connaissance sera enrichi d’indicateurs basés sur une méthode d’ACV sociale proposée par l’équipe E valuation des P erformances E nvironnementale et S ociales de l’UMR ITAP.

                                                                                                       #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 8
Offres de thèses : campagne 2019 | 9

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Représentation des connaissances et des raisonnements en agronomie systémique pour l’innovation en agroécologie
Mots-clés : Agroécologie – Gestion de données et de connaissances – Raisonnements – Intelligence Artificielle – Web sémantique
• Contact : Marie-Laure Mugnier – mugnier [AT] lirmm.fr
• Encadrement et unités d’accueil : Inria LIRMM et Inra (SYSTEM, et MISTEA)
• Cofinancement : Inria (co-financement acquis)
• #DigitAg : Axe 4 : Système d’information, stockage et transfert de données, Challenge 1 : Le challenge agroécologique
La question scientifique au cœur de cette thèse est la suivante : comment représenter formellement les systèmes complexes que sont les systèmes agroécologiques, de façon à permettre une exploitation
automatique de cette représentation basée sur sa sémantique ?
On se situe dans le domaine informatique de la représentation des connaissances et des raisonnements, une branche de l’intelligence artificielle qui fournit les fondements théoriques et algorithmiques des
recherches à mener. Ce travail a une dimension interdisciplinaire et se fera en collaboration étroite avec les chercheurs agronomes qui étudient les systèmes agroécologiques. En effet, la compréhension des
systèmes agroécologiques pose des défis communs aux deux disciplines : traitement de la complexité des processus agroécologiques et de leurs interactions, articulation de plusieurs types et formes de
connaissances, représentation et gestion de processus dynamiques et multi-échelles.
Les résultats de la thèse contribueront à la création d’un outil d’élicitation, de formalisation, d’intégration et de partage de données et connaissances sur le fonctionnement et la conduite des agroécosystèmes
pour la transition agroécologique de l’agriculture, et offrant différents services s’appuyant sur la sémantique de ces données et connaissances, notamment : l’exploration et le requêtage basé sur des ontologies
de domaine, la vérification de la cohérence de la modélisation, l’analyse du comportement du système et l’explication des inférences effectuées, la mise en évidence des conséquences de perturbations du
système (notamment dans un but d’aide à la formulation d’hypothèses scientifiques, par exemple l’association d’un certain type de plante à une culture est-elle susceptible de diminuer les attaques de
bioagresseurs ?), l’évaluation de scénarios de changement technique en vue de certains objectifs (par exemple réduire les attaques de bioagresseurs).
Cette thèse sera accompagnée par des projets en partenariat avec des organismes de développement agricole qui évalueront ses produits dans une perspective d’accompagnement d’agriculteurs dans une
démarche de transition agroécologique.

                                                                                                       #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 9
Offres de thèses : campagne 2019 | 10

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Interprétabilité des modèles de distribution de communautés d’espèces végétales appris par apprentissage profond – application aux adventices des cultures
dans le contexte de l’agro-écologie
Mots-clés : Agro-Écologie, Réseaux de Neurones Profonds, Transfert de connaissance, Interprétabilité, Interactions, Paysage, Pratique agricole, Biodiversité, Adventices des cultures.
• Contact : Alexis Joly – alexis.joly [AT] inria.fr
• Encadrement et unités d’accueil ; Inria LIRMM, Université de Montpellier-LIRMM et Cirad (AMAP)
• Cofinancement : Inria (co-financement acquis)
• #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 1 : Le challenge agroécologique,
La modélisation des interactions entre biodiversité, paysage et pratique agricole est un enjeu majeur de l’agro-écologie. Très récemment, des modèles environnementaux de distribution d’espèces se basant sur
des réseaux de neurones profonds ont commencé à faire leur apparition. Ces premières expérimentations ont montré qu’ils pouvaient avoir un fort pouvoir prédictif, potentiellement bien meilleur que les modèles
utilisés classiquement en écologie. Un de leurs avantages est de pouvoir apprendre un espace de représentation environnementale commun à un très grand nombre d’espèces et de stabiliser ainsi fortement les
performances de prédiction d’une espèce à l’autre. Un premier objectif de la thèse sera d’étendre ce principe de transfert de connaissance au contexte de l’agro-écologie. Il s’agira en particulier d’intégrer des
données caractérisant le paysage et les pratiques agricoles pour la prédiction des cortèges d’adventices des cultures et/ou des traits fonctionnels associés. Le deuxième objectif de la thèse sera de lever le verrou
de l’interprétabilité de ces modèles afin d’en déduire de nouvelles connaissances tangibles en agro-écologie. Il s’agira notamment de qualifier l’espace de représentation environnemental appris par le réseau de
neurones dans ses couches terminales, typiquement la dernière couche de description sur laquelle se base la régression ou classification linéaire finale. Les variables (neurones) de cet espace de représentation
correspondent nécessairement à des motifs écologiques et environnementaux déterminants mais leur nature exacte est totalement inconnue. Dans le cas des modèles agro-environnementaux profonds visés
dans la thèse, ces motifs intégreront également l’information du paysage et des pratiques agricoles. Leur analyse permettra de mieux comprendre la nécessité ou non de mettre en place des approches
intégratives massives, reposant sur une grande variété de données d’entrée, ou à l’inverse, de se focaliser sur certains facteurs clés.
Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Définition, Conception et Évaluation d’une plateforme décisionnelle pour la mise en œuvre durable du pastoralisme
Mots-clés : Système d’information, Données hétérogènes, Pastoralisme, Transition agroécologique
• Contact : Lucile Sautot – lucile.sautot [AT] agroparistech.fr
• Directrice de thèse : Maguelonne Teisseire, Irstea TETIS
• Encadrant(s) : Lucile Sautot, UMR TETIS, AgroParisTech / Magali Jouven, UMR SELMET, Montpellier SupAgro / , ,
• Unités d’accueil : UMR TETIS et SELMET
• Cofinancement : AgroParisTech
• #DigitAg : Axe 4 : Système d’information, stockage et transfert de données, Challenge 4 : Des productions animales durables, Axe 5 : Fouille de données, analyse de données, extraction de connaissances
Les systèmes pastoraux sont reconnus pour leur valeur sociale, environnementale et culturelle. Ils représentent aussi une forme d’élevage cohérente avec l’agroécologie. Leur durabilité depend notamment de
leur capacité à gérer des variations spatio-temporelles dans la disponibilité des ressources pastorales. Ainsi, les animaux et les éleveurs doivent continuellement adapter leurs strategies à un contexte changeant.
Les processus décisionnels et de diagnostic dans les systèmes pastoraux s’appuient sur l’analyse de données hétérogènes issues de sources diverses (savoirs locaux et scientifiques, observations directes et
références techniques, capteurs embarqués tels que les GPS). Ces données hétérogènes sont plus ou moins acessibles aux éleveurs et aux techniciens, et leur analyse intégrée est réalisée de manière informelle,
et avec un succès variable.
L’ère numérique offre l’opportunité de relier des données qui ne pouvaient auparavant être corrélées. Face à cette possibilité, quelles sont les solutions méthodologiques en Informatique permettant de manipuler
et lier l’ensemble de ces données ? Comment évaluer et mesurer l’intérêt et l’impact de ces informations pour les éleveurs et techniciens ?
C’est à ces questions que les travaux proposés dans cette thèse souhaitent répondre en (1) définissant un modèle d’entrepôt de données permettant l’analyse et le croisement de données hétérogènes
(plateforme numérique offrant de nouveaux services d’analyse de données issues du pastoralisme suivant les dimensions spatiales, temporelles et thématiques) ; et (2) réalisant une analyse de l’apport de ces
nouveaux types d’information qui constituent un levier d’innovation pour les systèmes pastoraux, et ceci à plusieurs échelles en élaborant une grille d’évaluation multicritère adaptée.

                                                                                                      #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 10
Offres de thèses : campagne 2019 | 11

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Évaluation de traits architecturaux et de fonctionnement d’arbres fruitiers par données LiDAR, apprentissage profond et modélisation structure-fonction
• Mots-clés : LiDAR, deep learning, modèle structure-fonction, imagerie multispectrale et thermique, arbres fruitiers.
• Contact : Boudon Frédéric et Pallas Benoît – benoit.pallas [AT] inra.fr
• Directeur(s) de thèse : Marc Chaumont, LIRMM, Université de Montpellier / Evelyne Costes, AGAP, Inra
• Encadrant(s) : Frédéric Boudon, Cirad AGAP / Benoît Pallas, Inra AGAP / Emmanuel Faure, CNRS LIRMM
• Unités d’accueil : AGAP, LIRMM
• Cofinancement : Inra
• #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 2 : Le phénotypage rapide, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 1 : Le challenge
agroécologique
Dans un contexte de changement climatique et de diminution des intrants, l’évaluation de ressources génétique et la sélection de génotypes d’arbres fruitiers plus performants en condition de culture sub-
optimale devient incontournable. Les traits architecturaux doivent être considérés pour prendre en compte le potentiel de production intrinsèque du génotype, son interaction avec l’environnement et la facilité
de conduite. Pour évaluer de tels traits de manière précise et à haut débit, nous proposons d’utiliser les LiDARs terrestre qui permettent de scanner rapidement un verger. Si des premières méthodes issues de la
littérature permettent d’extraire des traits globaux tels que la biomasse ou la surface foliaire totale, l’identification précise des composants végétatifs et reproductifs des arbres n’est pas pour l’instant possible,
rendant difficile d’estimer la production. Nous proposons d’utiliser de deep learning pour améliorer les méthodes de reconstruction et les rendre plus précises. L’enjeu méthodologique sera d’adapter les
méthodes de deep learning aux données LiDAR qui contiennent des résolutions variables et de constituer des bases de données d’apprentissage à partir de données simulées ou de reconstructions partielles. De
plus, ce travail aura pour second objectif de fusionner les données LiDAR avec des informations provenant d’imagerie multispectrale (notamment issues des mesures par drone) pour évaluer des traits décrivant
le fonctionnement de la plante entière. Pour cela, des modèles structure-fonction seront utilisées comme intégrateur des connaissances. L’étude portera sur une core collection de variétés et les traits
phénotypiques issus de l’imagerie multi-spectrale ainsi que les reconstructions 3D seront intégrés dans les études de génétiques menée sur cette collection.

                                                                                                        #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 11
Offres de thèses : campagne 2019 | 12

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Apprentissage de règles hybrides pour l’analyse de la dynamique de maladies et ravageurs des plantes en fonction des conditions climatiques
• Mots-clés : science des données, épidémio-surveillance, machine learning, vigne, grandes cultures
• Contact : François Brun – francois.brun [AT] acta.asso.fr
• Directeur(s) de thèse : Alexandre Termier, LACODAM, INRIA / David Makowski, Agronomie & CIRED, INRA
• Encadrant(s) : Luis Galárraga, LACODAM, INRIA / François Brun, ACTA, ACTA / , ,
• Unités d’accueil : Acta, INRIA/LACODAM
• Cofinancement : Acta – les instituts techniques
• #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 3 : La protection des cultures, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge
3 : La protection des cultures,Challenge 5 : Les services de conseil agricole,Challenge 8 : Développement agricole au Sud
Le nombre de problématiques phytosanitaires sur les différentes cultures étant très importante, la R&D agricole ne peut consacrer des efforts conséquents sur l’ensemble des problématiques pour développer des
outils d’aide à la décision (OAD) permettant de raisonner finement la protection des cultures. Un des objectifs de ces outils est de limiter l’usage des produits phytosanitaires dans des plantations. Compte tenu du
grand volume de données sur la dynamique des maladies et l’utilisation de produits phytosanitaires dans les cultures, un tel objectif nous oblige à exploiter les techniques du data science science afin d’accélérer
notre compréhension sur la dynamique des maladies et d’automatiser les processus de décision.
Cette thèse a pour objectif d’aider les experts en protection des cultures en automatisant la découverte d’hypothèses de travail à la base des futurs OAD sur le comportement des maladies des plantes, en
utilisant des techniques d’apprentissage en s’appuyant sur la masse de données collectée dans les réseaux d’épidémio-surveillance. Nous mobiliserons des méthodes de machine learning originales. Il s’agira de
trouver des « règles hybrides » : elles prédisent une variable numérique (ex: l’incidence de la maladie mildiou) en prenant en compte les interactions entre des variables catégoriques (ex: le stade phénologique
de la plante) et des modèles statistiques sur des variables numériques. Cette approche originale nous semble une piste prometteuse pour concilier modélisation prédictive et paramétrage “local” en cohérence
avec la grande diversité des situations agronomiques à considérer.
Les échanges avec les experts en maladies et ravageurs sur ces travaux permettront de construire de nouveaux outils d’aide à la décision pour mieux raisonner les traitements phytosanitaires. Ce travail peut
également aider à améliorer l’efficacité des dispositifs d’épidémiosurveillance végétale en valorisant mieux les données d’observation collectées dans ce cad.

                                                                                                      #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 12
Offres de thèses : campagne 2019 | 13

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Bien-être animal : caractériser la diversité rencontrée, entre et au sein des élevages, à l’aide de méthodes de data mining appliquées aux données issues de
capteurs en élevages laitiers
• Mots-clés : Bien-être ; data mining, capteurs, vache laitière
• Contact : Alexandre Termier – alexandre.termier@irisa.fr
• Directeur(s) de thèse : Alexandre Termier, Inria – Lacodam, Université de Rennes 1 / Inria / Yannick Le Cozler, INRA – PEGASE, AGROCAMPUS OUEST
• Encadrant(s) : Alexandre Termier, Inria – Lacodam, Université de Rennes 1 / Inria / Yannick Le Cozler, INRA – PEGASE, AGROCAMPUS OUEST / Véronique Masson, Inria – Lacodam, Université de Rennes 1 / Inria
• Unités d’accueil : Inria – Lacodam, Inra – PEGASE
• Cofinancement : Inria
• #DigitAg : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 4 : Des productions animales durables, , Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur
Le consommateur comme le citoyen sont aujourd’hui légitimement en attente de conduites d’élevage qui soient respectueuses du bien-être des animaux. Le bien-être d’un animal est satisfait s’il est en bonne
santé physique et psychologique, se sent bien et ne souffre pas. Cela a aussi conduit à la mise en place de systèmes de certification. La plupart supposent une obligation de moyens ce qui est plus facile à vérifier
(type de bâtiments, surface par animal, équipements…). Mais si ces mesures sont nécessaires, elles peuvent ne pas être suffisantes pour garantir le bien-être des animaux. Pour garantir une obligation de
résultats vérifiables, l’utilisation de technologies de monitoring en élevage (reproduction, santé…) peuvent contribuer à mieux évaluer les différentes dimensions du bien-être en élevage sous réserve d’un
retraitement approprié des données. A ce jour, les analyses des données issues de ces technologies, majoritairement positionnées à l’échelle de l’animal, ne permettent pas de rendre compte de la diversité et de
la variabilité des élevages. Une telle analyse permettrait d’établir une « cartographie » précise des comportements observés en élevages et de distinguer les éléments liés aux individus de ceux liés à la conduite.
Les techniques de Data Mining sont particulièrement bien adaptées pour y parvenir. Les méthodes d’extraction de « patterns discriminants » permettent d’étudier les régularités dans les données en des groupes
d’animaux et/ou d’élevages ayant des comportements homogènes ou, a contrario, hétérogènes. Ces informations peuvent être utilisées pour établir une taxonomie des comportements en élevages, permettant
un positionnement rapide de chaque élevage en fonction de sa conduite. L’éleveur et la filière disposeraient ainsi d’informations précises sur l’état de bien-être de son troupeau et les marges de progrès. Les
systèmes d’étiquetage pourraient au final aussi mieux répondre aux attentes d’informations des consommateurs.

                                                                                                      #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 13
Offres de thèses : campagne 2019 | 14

Sciences pour l’Ingénieur – Sciences de la Vie et de l’Environnement
Potentialité des séries temporelles de données satellites multi-spectrales et radar pour concevoir des variables spatialisées du développement de la vigne à
l’échelle régionale : application à l’estimation de la croissance et de son arrêt pour un modèle de contrainte hydrique
• Mots-clés : séries temporelles, télédétection, contrainte hydrique, vigne
• Contact : bruno tisseyre – bruno.tisseyre@supagro.fr
• Directeur(s) de thèse : bruno tisseyre, UMR ITAP, Montpellier SupAgro / James Taylor, UMR ITAP, Irstea
• Encadrant(s) : Bruno TISSEYRE/James TAYLOR/Jean-Michel ROGER, UMR ITAP, Supagro/Irstea / Aurélie METAY, UMR SYSTEM, Montpellier SupAgro / Nicolas DEVAUX, UMR LISAH, Montpellier SupAgro
• Unités d’accueil : UMR ITAP, UMR SYSTEM
• Cofinancement : Montpellier Supagro
• #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données, Challenge 5 : Les services de conseil agricole, Axe 6 : Modélisation et simulation (systèmes de production agricole), Challenge 6 : La gestion des
territoires agricoles
La thèse propose d’investiguer l’intérêt et le potentiel de sources d’observation nouvelles comme support d’aide à la décision opérationnelle (pour l’expertise ou comme variable d’entrée de modèle) en
viticulture. Le projet de recherche se focalisera essentiellement sur le potentiel des images satellites Sentinel (Sentinel 2 et Sentinel 1). En effet, ces nouvelles sources d’observation présentent des
caractéristiques uniques en terme de temps de revisite (acquisition tous les 5 jours), de résolution spatiale (~10 m.), d’information apportées (images multispectrales et radar), d’emprise spatiale (échelle
régionale et plus), de coût (images gratuites). Elles présentent donc des caractéristiques particulièrement intéressantes pour le suivi dynamique spatialisé en viticulture, de l’échelle de la parcelle à l’échelle
régionale.
L’originalité de la thèse sera d’adopter des approches permettant de prendre en compte aux mieux et de manière holistique, l’ensemble des composantes de l’information :
• L’espace attributaire qui est par essence multivarié et hétérogène (données multi-spectrales, données radar),
• L’espace temporel (défini par le temps de revisite du capteur),
• L’espace géographique puisque les données sont spatialisées,
La thèse propose de mettre en œuvre des approches originales pour prendre en compte l’ensemble de ces composantes de l’information afin de définir de nouvelles variables explicatives d’informations
agronomiques pertinentes. L’originalité de l’approche sera de mobiliser des approches multivariées telles que développées en chimiométrie en intégrant les variances structurées (auto-corrélation spatiale et
temporelle) pour identifier les paramétres pertinents qui maximisent le ratio signal sur bruit. La thése s’appuiera en particulier sur les compétences de l’équipe en géostatistiques. Les approches développées
présenteront un caractére générique potentiellement applicable à toute nouvelle source d’observation (niveau capteur) à haute résolution spatiale et/ou temporelle.
L’objectif applicatif de la thèse sera d’explorer le potentiel de ces nouvelles sources d’observation pour extraire des descripteurs spatialisés de la contrainte hydrique de la vigne. Ces informations pourront être
valorisée soit pour : du zonage, de l’extrapolation spatiale de données ponctuelles ou comme variables d’entrée dans des approches modèles (Bilan climatique). Cette application a été choisie car : (1) elle
correspond à un champ de recherche important et historique de l’équipe porteuse qui bénéficie de l’accès à des données (historiques ou actuelles) nécessaires pour conduire cette recherche ; (2) elle correspond
à une demande sociale forte des professionnels de la viticulture (producteurs, conseillers, organismes consulaires, distributeurs d’eau, etc.) qui ont besoin d’outils opérationnels de diagnostic, de suivi et de
pilotage de la contrainte hydrique (et de ses effets) à différentes échelles.

                                                                                                      #DigitAg: Digital Agriculture Convergence Lab | Offres de thèses : campagne 2019 | 14
Vous pouvez aussi lire
DIAPOSITIVES SUIVANTES ... Annuler