Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : UMR AGAP Institut, CIRAD, Montpellier
Durée : 6 mois
Contact : frederic.boudon@cirad.fr
Date limite de publication : 2023-12-31

Contexte :
Les modèles fonctionnels-structurels de plantes (FSPM) prennent en compte la structure modulaire des plantes, leur fonctionnement interne et l’interaction avec l’environnement (Prusinkiewicz, 2004 ; Fourcaud et al., 2008 ; Louarn et Song 2020). Leur développement est motivé par l’idée que la structure tridimensionnelle des plantes forme son interface avec l’environnement et module sa croissance et sa productivité (Costes et al., 2006). Ils ont notamment été utilisés pour la modélisation d’arbres fruitiers (Costes et al., 2008 ; Allen et al., 2005 ; Lescourret et al., 2011 ; Boudon et al., 2020) chez lesquels la compétition interne pour les ressources entre organes nécessite d’avoir des représentations dynamiques spatialisées.
Le développement de FSPM répond à trois objectifs principaux (Louarn et Song 2020):
• Intégrer les connaissances de différentes disciplines, notamment la biologie végétale, la biophysique, l’écologie et l’informatique ;
• Comprendre le fonctionnement des plantes à différentes échelles, du méristème aux communautés végétales ;
• Développer des modèles prédictifs ou explicatifs pour répondre à des enjeux sociétaux tel que la modélisation des plantes dans des environnements spécifiques (panneaux photovoltaïques, serres, vergers, etc.), la compétition pour les ressources, l’introduction de perturbations (taille, bioagresseurs, etc.) et la définition d’idéotypes pour les sélectionneurs.
Un verrou majeur de cette approche est la paramétrisation du modèle qui rend difficile son adoption pour construire des outils d’aide à la décision pour la gestion des vergers (DeJong, 2019) et plus généralement qui freine son utilisation dans la communauté scientifique. Récemment de nombreuses initiatives visent à automatiser le phénotypage des plantes, mais se concentrent sur un ensemble limité de traits, souvent peu compatible avec la définition d’un FSPM (Streit et al., 2023)

Sujet :
L’objectif de ce stage sera de réaliser une première étape de reformulation d’un modèle FSPM d’arbre fruitier, MAppleT (Costes et al., 2008) pour préparer son couplage avec des données numériques issues de différents protocoles d’acquisition (LiDAR, imagerie aéroportée).
Les résultats attendus portent sur
(1) l’évaluation de la faisabilité de reproduire les séquences d’événements développementaux observées en fonction de génotypes différents à partir de reconstructions 3D issues de scans LiDAR en hiver et par des méthodes d’assimilation de données, basées sur du machine ou deep learning (i.e. CNNS, RNNs, LSTMs et Transformers).
(2) la ré-écriture des règles de développement et de ramification d’un modèle FSPM de pommier de façon à pourvoir les paramétriser automatiquement à partir de données issues du phénotypage.

Le stage débutera par une analyse bibliographique des traits accessibles par phénotypage pour la modélisation. Un bilan sera fait des différents traits mesurés par phénotypage LiDAR et imagerie qui seront mis en regard des paramètres des modèles de simulation. En particulier, les aspects de topologie de l’architecture des arbres, notamment leur ramification seront analysés.
– La modification du FSPM MappleT portera principalement sur les paramètres des règles de développement et de ramification des méristèmes formalisées pour l’instant par des règles stochastiques dans le modèle pommier. A partir de reconstructions construites issues de scans LiDAR en hiver, des méthodes d’assimilation de données, basées sur du machine ou deep learning, pour permettre de reproduire les séquences d’événements développementaux observées en fonction des génotypes seront développées. Pour modéliser et simuler ces séquences, différents types d’architecture de réseaux seront testés, (i.e. CNNS, RNNs, LSTMs et Transformers). Les séquences déduites de la reconstruction 3D devront prendre en compte l’incertitude des mesures. Les modèles initiaux de séquences de ramification, construits à partir de modèles de semi chaînes de markov cachées, seront utilisés pour pré-entraîner les modèles de réseaux. Ceux-ci seront évalués pour leur capacité à prendre en compte les effets génotypiques.

Profil du candidat :
– Master en maths-info.

Formation et compétences requises :
– Connaissances : programmation en langage Python, des connaissances en statistiques seront appréciées
– Compétences opérationnelles : Goût pour le travail en équipe et l’inter-disciplinarité
– Langues : français, anglais

Adresse d’emploi :
Avenue Agropolis – 34398 Montpellier Cedex 05, France

Document attaché : 202310241551_Sujet-Bourse-Master2-GIS-Fruits-2024.pdf