Caractérisation des pratiques agricoles dans un bassin de production horticole par télédétection

12 Novembre 2024

---

Catégorie : Stagiaire

---

Contexte: L’équipe Contrôle Biologique par Conservation (CBC, INRAE Avignon) réalise des relevés écologiques dans un réseau de vergers de pommiers sur le site atelier Basse Vallée Durance (BVD, https://site-atelier-basse-vallee-durance.fr/). Ce territoire de 500 km² au sud d’Avignon est situé dans l’un des principaux bassins de production de pommes en France. Des suivis de biodiversité et des enquêtes sociotechniques y sont menés dans des vergers commerciaux depuis 2006. Ces données spatialisées permettent d'appréhender les déterminants locaux des relations entre les abondances et la diversité des bioagresseurs (principalement des insectes phytophages - pucerons et lépidoptères), celles des auxiliaires (arthropodes, oiseaux), et l'efficacité du contrôle des ravageurs par les auxiliaires.

Dans le cadre nos projets de recherche, nous cherchons à analyser ces données écologiques en fonction de la structure du paysage (composition et configuration) et des pratiques agricoles dans le paysage. De nombreux travaux indiquent que la structure des paysages agricoles impacte la biodiversité (les ravageurs, leurs ennemis naturels, la biodiversité patrimoniale et ordinaire) dans les parcelles agricoles (Karp et al. 2018). Par exemple, la présence d’éléments semi-naturels et des parcelles de petites tailles lui seraient favorables en favorisant des processus de recolonisation (Sirami et al., 2019). L’étude de l’effet de la distribution spatiale des pratiques agricoles est plus récente et concerne principalement la surface en agriculture biologique (Smith et al. 2020). Nous avons récemment cartographié l’utilisation de filets anti insectes sur le site atelier BVD et montré que leur quantité dans le paysage pouvait influencer l’abondance des ravageurs (Poinas et al. soumis).

En 2022, nous avons digitalisé l’ensemble des parcelles du site atelier BVD (> 50,000 polygones) et utilisé un algorithme d’assignation automatique (ALM), pour leur attribuer automatiquement une occupation du sol issue de plusieurs bases de données publiques (BDTOPO, OSO, RPG). Nous avons identifié un taux d’erreur important. Nous avons donc caractérisé de manière exhaustive l’ensemble des vergers de pommiers et poiriers du site atelier, ainsi que la présence et le type de filets dans ces vergers, en combinant des données de terrain et la photo-interprétation d’orthophotographies. Ces données constituent une base d’entrainement unique à des modèles de classification supervisée (réseaux de neurones convolutifs - Mask RCNN, ou plus récemment des Visions Transformers – ViT) en considérant les parcelles comme des objets à classer.

Objectifs : L’objectif de ce stage est d’entraîner des modèles de deep learning (CNN et Transformer) avec ces données de référence pour caractériser la présence d’objets type vergers et les pratiques agricoles associées (utilisation de filets insect proof) automatiquement à partir de données de télédétection et, ensuite, appliquer ces modèles sur des données historiques pour analyser leurs dynamiques spatio-temporelles.

Déroulement du stage :

1/ Réaliser une revue de la littérature scientifique sur les techniques de classification d’imagerie satellitaire et leur utilisation dans la détection de pratiques en agriculture, recenser les sources de données disponibles et récupérer des images pertinentes pour répondre aux objectifs du stage (archivage et extraction des métadonnées).

2/ Mise en forme du jeu de données de référence à partir des données disponibles (et déjà géo-référencées) sur plusieurs milliers de vergers du site atelier BVD, pour son utilisation pour de l'apprentissage profond. Pour cela, nous allons déjà explorer la capacité de ces modèles à classifier les données étiquetées que nous avons à disposition.

3/ Mobiliser les données de télédétections (principalement orthophotographies mais pouvant être combinées avec données sentinel 2) et le jeu de données de référence pour entraîner des algorithmes de deep learning (CNN et/ou Vision Transformer) à reconnaître les vergers et les autres occupations du sol, puis identifier si un verger est associé à la présence des filets. L’étudiant.e réalisera une analyse comparative des différents modèles de deep learning testée pour comprendre lequel se comporte le mieux sur les deux taches de classification précédemment identifiées.

4/ Actualiser la cartographie des vergers des autres occupations du sol et de l’utilisation de filets sur le site atelier BVD sur des données de télédétection récentes.

5/ Cartographier les vergers et les filets sur des séries de données temporelles (de 2011 à 2023) pour analyser leurs dynamiques spatio-temporelles, leurs déterminants et leurs interactions ou combinaisons (e.g. arrachage de haies suite à l’implémentation de filet, lien entre filets et Agriculture Biologique).

Encadrement : Le stage sera co-encadré par Bertrand Gauffre (INRAE UR PSH, équipe CBC), Fabrice Vinatier (INRAE UMR LISAH) et Dino Ienco (INRAE UMR TETIS).

Profil recherché : Nous recherchons un(e) candidat(e) motivé(e) et passionné(e) par la recherche en agronomie associée à la télédétection satellitaire actuellement inscrit(e) en Master 2 ou en césure dans une filière agronomique ou géomatique. Compréhension des principes du fonctionnement des cultures pérennes et l'interprétation d'images satellitaires. Connaissances en programmation python et/ou R. Capacité à travailler de manière autonome et à respecter les délais. Compétences en communication et en rédaction.

Conditions : Stage de 6 mois à compter de Février/Mars 2025 (dates flexibles). Le stagiaire bénéficiera de la gratification standard (environ 570 € par mois).

Lieu du stage : UR 1115 PSH (Plantes et Systèmes de culture Horticoles) –INRAE Avignon. Plusieurs déplacements à Montpellier sont envisagés.

Candidature : Lettre de motivation + CV à envoyer par e-mail à bertrand.gauffre@inrae.fr et fabrice.vinatier@inrae.fr avant fin Novembre.