Archives

Les collections d’éphémères vues par le prisme des annuaires du commerce de Paris

Offre en lien avec l’Action/le Réseau : SaD-2HN/– — –

Laboratoire/Entreprise : Centre de Recherches Historiques (UMR 8558 : EHESS
Durée : 6 mois
Contact : bertrand.dumenieu@ehess.fr
Date limite de publication : 2025-11-26

Contexte :
Le musée Carnavalet – Histoire de Paris et les bibliothèques spécialisées de la ville de Paris conservent d’importantes collections d’éphémères. Il s’agit de documents de la vie quotidienne produits par des commerces, des associations ou des particuliers, qui deviennent très rapidement obsolètes : faire-parts, menus, cartes postales, affiches, prospectus, buvards publicitaires, dépliants touristiques, catalogues de vente, programmes de théâtre, images pieuses, sous-bocks, papiers de fruits, etc. La figure 1 présente un exemple d’affiches et de prospectus créés entre 1873 et 1888 et conservés au musée Carnavalet – Histoire de Paris. Chaque éphémère est indexé par des métadonnées récoltées par le musée, décrivant les acteurs de sa production (artiste dessinateur, imprimeur) et les techniques et matériaux mobilisés. Ces informations permettent quelques analyses explicatives sur la chaîne de création, d’impression et de diffusion de ces éphémères, mais qui restent limitées faute de connaissances suffisantes sur les réseaux professionnels des commerçants, artistes et artisans qui y contribuent.

Pour peu qu’ils exercent à Paris, ces professionnels ont de bonnes chances d’être recensés dans les annuaires commerciaux de la ville (voir figure 2). Ancêtres des « Pages Jaunes », ces ouvrages compilent, classent, datent et localisent les commerçants, artisans et notables parisiens au sein de longues listes nominatives. Celles de la majorité des annuaires édités entre 1797 et 1914 ont été extraites et transformées en une base de données géographique sérielle durant un précédent projet de recherche. Il est désormais possible d’exploiter les 22 millions d’entrées contenues de cette base pour tenter d’identifier les acteurs de la production d’éphémères et les lier aux collections du musée Carnavalet.

Sujet :
Le premier objectif de ce stage est donc de croiser les métadonnées des éphémères avec la base des annuaires du commerce parisien au XIXe siècle pour y retrouver les commerçants et artisans ayant concouru à la production des éphémères du musée. Le second objectif consistera à proposer une méthodologie d’analyse de ces métadonnées enrichies pour comprendre comment la création, l’impression et la diffusion des éphémères s’organisait, selon les commanditaires, les imprimeurs ou les types de supports. On pourra, par exemple, étudier l’éventuelle spécialisation des artistes, des imprimeurs, des rues ou des quartiers dans certains types de production ou bien les critères de choix des artistes ou des imprimeurs par les commanditaires : proximité spatiale, recommandation professionnelle, renommée, etc.
La première difficulté de ce travail réside dans la création et le peuplement du graphe de connaissances initial à partir des deux sources de données hétérogènes, incomplètes, bruitées, spatiales et temporelles que sont la base des annuaires et les métadonnées des éphémères. Il s’agira donc de proposer une ontologie, guidée par les hypothèses d’analyse des historiens de l’art concernant les réseaux professionnels potentiels des commerçants, artistes et imprimeurs impliqués dans la création des éphémères. Celle-ci devra ensuite être peuplée à partir des données disponibles, ce qui nécessitera un travail de désambiguïsation des commerçants, artistes et imprimeurs.
La seconde difficulté sera de proposer une méthodologie d’analyse spatio-temporelle permettant de comprendre le mode de constitution des réseaux professionnels à l’œuvre et leurs dynamiques au cours de la période étudiée.

Profil du candidat :
Master 2 ou équivalent en humanités numériques, sciences de l’information géographique ou informatique.
Le ou la candidat.e doit être un.e étudiant.e inscrit.e dans une université francilienne.

Formation et compétences requises :
– Analyse de données : connaissances pratiques et théoriques en analyse spatiale.
– Web de données : expérience en manipulation de graphes de connaissances, connaissance du liage de données, notions de conception d’ontologies.
– Sciences de l’information géographique : maîtrise opérationnelle de QGIS, connaissance de PostGIS, notions en scripting Python pour les SIG.
– Un goût pour l’histoire urbaine ou l’histoire de l’art est un atout.

Adresse d’emploi :
Centre de recherches historiques (UMR 8558 EHESS – CNRS), 54 boulevard Raspail, 75006 Paris

Document attaché : 202510211306_StageEphemeres&Annuaires.pdf

Postdoctoral position – Development of a digital twin for predicting the movement of marine animals

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

Laboratoire/Entreprise : Laboratoire Informatique Image Interaction – La Ro
Durée : 24 mois
Contact : marine.gonse@univ-lr.fr
Date limite de publication : 2025-10-31

Contexte :
Coastal ecosystems are highly productive and host essential habitats for numerous marine species, including feeding areas, nurseries, breeding grounds, and migratory corridors. The quality of these habitats determines the renewal and dynamics of marine populations and, more broadly, the productivity of coastal ecosystems. However, these ecosystems are increasingly and durably impacted by the cumulative effects of climate change (e.g., rising temperatures, acidification, stratification of the water column) and by expanding human activities in coastal zones (e.g., maritime traffic, fishing, marine aggregate extraction, pollution, and offshore wind farms).
Given the rapid intensification of these anthropogenic disturbances, it becomes essential to facilitate dialogue between stakeholders (public authorities, scientists, managers, conservationists, and socio-economic actors) to foster the sustainable development of maritime activities and the protection of marine ecosystems. Effective ecosystem management requires decision-support systems capable of guiding spatial planning and conservation strategies. Digital twins represent an innovative approach to these challenges. They rely on continuous coupling between a real system and its virtual representation. The real system, informed by collected data, feeds the model, which can then refine its predictions, simulate alternative scenarios, and provide proactive decision-support tools. In ecology, the development of such systems remains limited due to their complexity and necessitates close collaboration between computer scientists and biologists.
In the marine environment, animal movement monitoring is enabled by biologging, which involves equipping animals with electronic devices that continuously record data (e.g., satellite positions, diving profiles, three-dimensional acceleration, oceanographic variables, physiological parameters). These datasets provide insights into animal movements and their responses to environmental conditions. The miniaturization of these devices has increased both the volume and diversity of data collected, generating analytical challenges that require strong interdisciplinary collaboration.
The aim of this project is to develop a digital twin for monitoring coastal marine populations by integrating biologging data into a digital platform (Urban Coastal Lab La Rochelle, UCLR) to understand and predict spatiotemporal variations in habitat use by marine animals in human-impacted coastal environments. Advanced simulation tools based on artificial intelligence will be developed. The project will focus on the case study of the grey seal (Halichoerus grypus), for which long-term monitoring has been conducted in the English Channel and the Iroise Sea by La Rochelle University (Pelagis/CEBC). Habitat loss due to climate change or anthropogenic activities (e.g. fisheries, maritime traffic) may directly affect grey seal population dynamics by altering foraging efficiency, movement patterns, reproductive success, or pup survival. The digital twin developed as part of this postdoctoral project will allow exploration of grey seal responses to such disturbances and assessment of the consequences of various future scenarios.

Sujet :
The postdoctoral researcher will be responsible for developing the simulation infrastructure of the digital twin. As biologging data are multimodal (differing in nature and acquisition frequencies), advanced methods based on artificial intelligence are required. Specifically, the researcher will:
1. Contextualize movement data with environmental variables (marine and potentially terrestrial) to simulate “possible” seal trajectories under varying conditions. Multiple generative AI models may be developed and compared (e.g., Conditional Generative Adversarial Networks, Transformers).
2. Simulate a large number of possible trajectories from these models in order to generate spatial distribution maps of potential habitats and assess their overlap with anthropogenic activities (e.g., maritime traffic, fisheries). Simulations under alternative climate scenarios will also be performed to identify potential shifts or losses of habitats.
3. Integrate these simulations into the UCLR platform to facilitate visualization of habitats under different scenarios. More information on the UCLR: Urban Coastal Lab La Rochelle.
The candidate will also be expected to propose additional AI-based approaches to generalize the methodology to other biologging data types, thereby enabling application of the digital twin to other marine species such as fish, seabirds, and marine mammals.
Results will be disseminated through publications in international peer-reviewed journals and presentations at scientific conferences.
Supervision will be provided by Dr. Marine Gonse and Dr. Mickael Coustaty (L3i). Interactions are also planned with Dr. Cécile Vincent (Pelagis Observatory), an expert in grey seal tagging and telemetry.

Profil du candidat :
The candidate must hold a PhD in computer science, artificial intelligence, or machine learning, with applications to multimodal data processing. They must demonstrate the ability to conduct independent research and contribute to a multidisciplinary project at the interface of computer science and marine ecology, working collaboratively with both computer scientists and biologists/ecologists.

Technical Skills:
• Multimodal, spatial, and time-series data analysis
• Strong programming skills in multiple languages (Python, Matlab, etc.)
• Proficiency in English (reading, writing, speaking); French desirable but not mandatory
• Interest in environmental sciences
• Experience with digital twin technologies (desirable)

Operational Skills:
• Rigor, autonomy, and initiative
• Ability to work in a multidisciplinary team
• Strong organizational and time-management skills
• Communication skills for diverse audiences
• Critical thinking and curiosity
• Project management and activity planning
• Reporting progress through concise written summaries
• Strong writing and oral presentation skills in English

Formation et compétences requises :

Adresse d’emploi :
La Rochelle Université
Laboratoire Informatique Image Interaction
Av. Michel Crépeau, 17042 La Rochelle

Document attaché : 202510210812_Fiche_poste_postdoc_IA_2026.pdf

Congrès IABM 2026

Annonce en lien avec l’Action/le Réseau : TIDS

Thème :

Intelligence Artificielle en Imagerie Biomédicale

Présentation :

Nous avons le plaisir de vous annoncer que le 4ème Colloque Français d’Intelligence Artificielle en Imagerie Biomédicale (IABM’26) se tiendra du 9 au 11 mars 2026 à l’Espace Charles Mérieux de l’ENS de Lyon.

À l’image des précédentes éditions (IABM’23 à Paris, IABM’24 à Grenoble et IABM’25 à Nice), ce colloque sera l’occasion de faire le point sur les avancées méthodologiques en intelligence artificielle appliquée à l’imagerie biomédicale, ainsi que sur les dernières applications précliniques et cliniques de ces technologies.

Vous trouverez d\’ores et déjà plus d\’informations sur le programme (keynotes et orateurs.. ) et les nouveautés que nous proposons cette année (tutoriel, session transfert clinique et industriel.. ) sur le site web de la conférence : https://iabm2026.sciencesconf.org/

Les soumissions d’abstracts seront ouvertes du 15 novembre au 10 décembre 2025. Nous espérons vivement votre participation à cette nouvelle édition, nous serons ravis de vous accueillir à Lyon!

Bien cordialement,

Le comité d’organisation IABM 2026, Carole Lartizien, Odyssée Merveille, Olivier Bernard

Du : 2026-03-09

Au : 2026-03-11

Lieu : Lyon

Site Web : https://iabm2026.sciencesconf.org

Stage IA en cancérologie avec la possibilité de poursuivre en thèse

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

Laboratoire/Entreprise : Sesstim, Aix Marseille Université
Durée : 6 Mois
Contact : raquel.urena@univ-amu.fr
Date limite de publication : 2025-12-31

Contexte :
Ce stage s’inscrit dans un projet de recherche à l’interface de l’intelligence artificielle et de la santé, mené au sein d’une équipe multidisciplinaire réunissant informaticiens, médecins, biostatisticiens et chercheurs en santé publique.

L’objectif global est de modéliser et d’analyser les parcours de soins longitudinaux des patients à partir de données massives issues des bases médico-administratives (SNDS).

Ces travaux permettront d’identifier des profils de patients, des ruptures de parcours et des facteurs de réhospitalisation, afin d’améliorer la compréhension et la personnalisation de la prise en charge.
Le stage se déroulera au sein de l’équipe CaLIPSo / SESSTIM (Aix–Marseille Université), sur le IPC à Marseille, dans un environnement stimulant à l’interface de l’IA, de la santé et des sciences sociales.
Le stagiaire sera encadré par Raquel URENA, maître de conférences en informatique especialiste en IA et santé, et travaillera en interaction directe avec des chercheurs en IA, des épidémiologistes et des cliniciens de de l’Institut Paoli-Calmettes, sur des données massives réelles à fort impact sociétal.

Sujet :
Objectifs du stage
Le stagiaire participera à la conception et au développement de modèles innovants de modélisation automatique des trajectoires de soins en utilisant des techniques avancées de representation learning et de Large Language Models (LLMs) appliquées aux données de santé.
Les principales missions incluent :
• Extraction et structuration de trajectoires temporelles à partir de données massives (diagnostics, actes, hospitalisations, prescriptions).
• Développement de représentations patient à l’aide de modèles de deep learning.
• Comparaison et évaluation de différentes approches de representation learning.
• Identification de profils de soins, visualisation et interprétation des trajectoires representations.

Profil du candidat :
Compétences requises
• Solides connaissances en machine learning, representation learning et modélisation de séries temporelles.
• Maîtrise de Python (Pandas, NumPy, Scikit-learn, PyTorch/TensorFlow) et des bases de données SQL.
• Langue française indispensable, niveau avancé en anglais (oral et écrit).
• Excellentes capacités de rédaction scientifique et de communication.
• Curiosité, rigueur scientifique, autonomie et goût pour le travail interdisciplinaire.
Environnement de travail

Formation et compétences requises :
M2 Informatique/ IA/ Mathémathiquées appliqués

Adresse d’emploi :
232 Bd de Sainte-Marguerite, 13009 Marseille

Post-doctorat en Imagerie Computationnelle pour l’IRM

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 mois
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2025-11-16

Contexte :
Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l’excellence scientifique et technique au service de l’enseignement, de la recherche et de l’innovation.

Le département Science des données (DSD) développe des activités de recherche et d’enseignement dans le domaine interdisciplinaire des sciences des données (« Data Science »), en forte interaction avec des enjeux industriels et sociétaux (santé et environnement). Ses activités de recherche s’inscrivent dans le cadre des laboratoires Lab-STICC (UMR CNRS 6285) et LaTIM (UMR 1101 INSERM).

Le projet ICI (Imagerie Computationnelle pour l’IRM ultra-bas champ) financé par le programme Inria Quadrant, vise à développer un système d’imagerie IRM portable et accessible, fondé sur une approche computationnelle et sur l’intelligence artificielle, en collaboration avec le CHU de Brest et l’entreprise Multiwave (Marseille).

Sujet :
Le projet ICI ambitionne de concevoir une IRM ultra-bas champ portable, permettant de réaliser des examens d’imagerie cérébrale au chevet du patient, notamment pour le suivi du développement cérébral des nouveau-nés prématurés. La post-doctorante ou le post-doctorant participera au développement du logiciel de reconstruction d’images, à la gestion des données expérimentales, à l’exploitation des acquisitions IRM et à la mise en œuvre de pipelines de traitement intégrant des méthodes d’apprentissage profond.

Profil du candidat :
Doctorat en traitement du signal/image, informatique, mathématiques appliquées, ou domaine connexe, obtenu il y a moins de 3 ans.

Formation et compétences requises :
Excellente maîtrise de la programmation en Python et d’un framework d’apprentissage profond, PyTorch de préférence.
Solides connaissances en traitement d’images, en problèmes inverses et en apprentissage automatique (machine learning).
Expérience significative en recherche, démontrée par des publications scientifiques de qualité.

Adresse d’emploi :
IMT Atlantique, Campus de Brest

Informations & contacts :

Sur le contenu du poste : François ROUSSEAU – Enseignant Chercheur : francois.rousseau@imt-atlantique.fr

Sur les aspects administratifs/RH : Fanny BERNARD – Assistante recrutement : fanny.bernard@imt-atlantique.fr

Date limite de candidature : 16/11/2025

Début du contrat souhaité : Janvier 2026

Entretien : Au fil de l’eau

Lien : https://institutminestelecom.recruitee.com/o/post-doctorat-en-imagerie-computationnelle-pour-lirm-ici-imagerie-computationnelle-pour-lirm-ultra-bas-champ-cdd-24-mois

Ingénieure ou Ingénieur de recherche et développement en Imagerie Computationnelle et apprentissage profond

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 mois
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2025-11-16

Contexte :
Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l’excellence scientifique et technique au service de l’enseignement, de la recherche et de l’innovation.

Dans le cadre du projet ICI (Imagerie Computationnelle pour l’IRM ultra-bas champ), qui vise à à développer un système d’imagerie IRM portable et accessible, fondé sur une approche computationnelle et sur l’intelligence artificielle, en collaboration avec le CHU de Brest et l’entreprise Multiwave (Marseille), nous recrutons Ingénieure ou un Ingénieur au sein de notre département Science des données (DSD).

Sujet :
En collaboration avec l’équipe du projet, vous développez et maintenez la chaine logicielle de reconstruction et d’analyse d’images IRM ultra-bas champ (Python, PyTorch). Vous assurez la gestion, le stockage et la diffusion des données IRM acquises sur la machine ultra-bas champ en lien avec les partenaires du projet. Vous accompagnez les chercheurs et ingénieurs dans l’utilisation des outils développés et la valorisation des résultats (documentation, packaging, diffusion open source). Vous contribuez à la coordination technique du projet avec les partenaires industriels (Mutiwave) et académiques (LaTIM, CHU de Brest).

Profil du candidat :
Diplôme Bac + 5 (ingénieur ou master) en informatique, traitement du signal, mathématiques appliquées ou équivalent.

Formation et compétences requises :
· Solide expérience en développement Python et PyTorch (ou frameworks équivalents).
· Bonnes connaissances en traitement et reconstruction d’images, idéalement en imagerie médicale.
· Pratique des outils de gestion de code (Git, GitLab, CI/CD).
· Connaissances des formats et bibliothèques liés à l’IRM (NumPy, NiBabel, TorchIO).
· Autonomie, rigueur et sens du travail collaboratif.

Adresse d’emploi :
IMT Atlantique, Campus de Brest

Informations & contacts :

Sur le contenu du poste : François ROUSSEAU – Enseignant Chercheur : francois.rousseau@imt-atlantique.fr

Sur les aspects administratifs/RH : Fanny BERNARD – Assistante recrutement – fanny.bernard@imt-atlantique.fr

Date limite de candidature : 16/11/2025
Début du contrat souhaité : Janvier 2026
Entretien : Au fil de l’eau

Lien : https://institutminestelecom.recruitee.com/o/ingenieure-ou-ingenieur-de-recherche-et-developpement-en-imagerie-computationnelle-et-apprentissage-profond-pour-lirm-ultra-bas-champ-cdd-24-mois

M2 Internship – Analysis and improvement of estimators of low-rank tensor models

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

Laboratoire/Entreprise : IRIT (Toulouse)
Durée : 5 to 6 months
Contact : henrique.goulart@irit.fr
Date limite de publication : 2025-11-16

Contexte :

Sujet :
We are seeking candidates for a 5- to 6-month internship on the analysis and improvement of estimators of low-rank tensor models, with the possibility of a PhD thesis afterwards (a PhD funding is secured). This subject is situated at the interface between mathematics and computer science, having applications in several domains, notably in data science and machine learning.

A detailed description can be found at: https://cloud.irit.fr/s/hZnoJgiopaqMkdV

Profil du candidat :
M2 student strongly motivated by mathematics and its application to statistical inference and machine learning. Prior knowledge on tensor algebra and on random matrix theory are a strong plus. Good communication skills (both oral and written) in English are required, notably for reading, writing and presenting scientific papers.

Formation et compétences requises :

Adresse d’emploi :
IRIT (Institut de Recherche en Informatique de Toulouse), site ENSEEIHT (2 rue Charles Camichel, Toulouse).

AI WILD West – Artificial Intelligence Workshop on Inverse problem, Learning, Imaging & Data science in the West

Annonce en lien avec l’Action/le Réseau : TIDS

Thème :

problèmes inverses, apprentissage, recherche translationnelle, imagerie, science de donnée

Présentation :

AI WILD West a pour l\’objectif de rassembler des chercheurs travaillant à l’interface entre intelligence artificielle, problèmes inverses et mathématiques appliquées, avec des applications en recherche translationnelle (Bio/Santé), en imagerie et en science des données. Il vise à offrir aux jeunes chercheurs l’opportunité de présenter leurs travaux, d’échanger avec l’ensemble de la communauté scientifique, et de favoriser de nouvelles collaborations dans un cadre convivial et stimulant. Cet événement a pour ambition de renforcer les échanges interdisciplinaires et de contribuer à la dynamique scientifique nationale, en animant également la recherche dans un pôle académique en région. Il est par ailleurs associé au RT MAIAGES.

Du : 2026-01-29

Au : 2026-01-30

Lieu : CentraleSupélec – Rennes Campus

Site Web : https://https://wildwestworkshop.github.io

[SAVE THE DATE] GREENDAYS 2026, 10-11 mars à Sophia Antipolis

Date : 2026-03-10 => 2026-03-11
Lieu : Sophia Antipolis

Bonjour à tous,

Notez-le bien dans vos agendas, nous organisons les GreenDays inter-GdR 2026 à Sophia Antipolis les mardi 10 et mercredi 11 mars 2026.

Les GreenDays sont des journées thématiques francophones organisées en collaboration avec les GDR GPL, IASIS, MaDICS, RSD, ROD, SOC2 et le GDRS EcoInfo et avec le soutien des PEPR Cloud et Réseaux du futur.

La problématique d’un numérique éco-responsable recouvre plusieurs facettes qui sont adressées de différentes manières suivant les communautés scientifiques. Les GreenDays permettent d’aborder ces différents angles de vue grâce à des exposés invités et des propositions soumises par les participants et participantes.

Plus d’informations bientôt.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Modélisation hybride d’arbre fruitier en 3D associant structure-fonction et deep-learning – Application à la conception de vergers agro-écologiques

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

Laboratoire/Entreprise : UMR AGAP Institut, CIRAD, Montpellier
Durée : 3 ans
Contact : frederic.boudon@cirad.fr
Date limite de publication : 2025-11-30

Contexte :
Les modèles structure-fonction (FSPM) permettent d’analyser finement le fonctionnement et la croissance des plantes dans des environnements fluctuants. Ils simulent l’interaction entre la structure modulaire de la plante, sa géométrie (distribution spatiale 3D) et les processus physiologiques en interaction avec l’environnement (Prusinkiewicz, 2004 ; Fourcaud et al., 2008 ; Louarn et Song, 2020). Ses modèles considèrent que la structure tridimensionnelle des plantes constitue à la fois son interface avec l’environnement et un déterminant majeur de leur croissance et leur productivité (Costes et al., 2006). Ils sont particulièrement mobilisés pour l’étude et la modélisation d’arbres fruitiers (Costes et al., 2008 ; Allen et al., 2005 ; Lescourret et al., 2011 ; Boudon et al., 2020) où la compétition interne pour les ressources entre organes exige des représentations dynamiques et spatialisées. Toutefois, un obstacle majeur réside dans la paramétrisation de ces modèles, qui limite leur adoption pour le développement d’outils d’aide à la décision en gestion de vergers (DeJong, 2019) et, plus largement, freine leur diffusion au sein de la communauté scientifique.

La télédétection, associée aux méthodes d’analyse basées sur le deep learning, offre un fort potentiel pour caractériser le fonctionnement et la croissance des plantes, et ainsi contribuer à la paramétrisation des modèles structure-fonction. L’émergence récente de capteurs variés (caméras RGB, LiDAR, thermiques, etc.) et de plateformes d’acquisition (drones, phénomobiles, etc.) ouvre de nouvelles perspectives pour le phénotypage haut débit et le suivi des vergers. Plusieurs initiatives récentes visent à automatiser le phénotypage des arbres, mais elles se focalisent généralement sur un nombre restreint de traits, souvent insuffisant pour alimenter un FSPM de manière complète (Streit et al., 2023).

Dans ce contexte, l’objectif de cette thèse est de développer une nouvelle génération de modèles FSPM d’arbres fruitiers, hybridant les approches classiques de modélisation avec des données haut débit issues du phénotypage en verger. En s’appuyant notamment sur les projets Gardens et PHENET, l’utilisation de FSPM paramétrés par des données de phénotypage haut débit permettra de produire des jumeaux numériques et de caractériser et explorer “in silico” la résilience de systèmes agricoles.

Un enjeu majeur des approches FSPM est de pouvoir reproduire et simuler des structures topologiques décrivant l’architecture de la plante et leurs informations géométriques ou physiologiques associées, notamment issues de la télédétection. Ces structures peuvent être décomposées en séquences qui représentent par exemple la ramification le long des axes de la plante. Des méthodes statistiques dédiées (Guédon et al., 2001) ont été développées par la communauté scientifique pour pouvoir analyser et simuler ces séquences. Récemment, les grands modèles de langage (LLM) ont connu une évolution remarquable, révolutionnant le traitement du langage naturel et trouvant des applications dans divers domaines scientifiques. Ils reposent principalement sur des architectures de réseaux de neurones avancées, parmi lesquelles les Transformers (Vaswani et al., 2017) jouent un rôle central. Contrairement aux modèles séquentiels classiques comme les RNN (Recurrent Neural Networks) ou les LSTM (Long Short-Term Memory), les Transformers exploitent un mécanisme d’attention permettant de traiter les données en parallèle plutôt que de manière séquentielle. Ce mécanisme, dit Self-Attention, pondère l’importance de chaque élément dans une séquence par rapport aux autres, améliorant ainsi la capture des dépendances à longue portée dans une séquence. Par ailleurs, d’autres approches comme les Autoencodeurs Variationnels (VAE) (Kingma & Welling, 2013) sont également utilisées dans certains modèles de génération, notamment pour apprendre des représentations latentes structurées du langage. Ces approches ouvrent des perspectives prometteuses pour leur application en modélisation FSPM, notamment en facilitant l’apprentissage et la génération automatique de structures arborescentes représentant l’architecture des plantes.

Sujet :
Lors de la première étape, ce projet s’appuiera sur des modèles FSPM existants dans la plateforme libre OpenAlea, tels que MappleT (pommier), dans lesquels la structure des arbres est modélisée par des processus stochastiques (p. ex. semi-chaînes de Markov cachées) calibrés à partir de relevés de croissance dont l’acquisition et l’analyse sont coûteuses en temps et en expertise. Une première étape de la thèse consistera à étendre un modèle d’arbre FSPM en générant la structure arborescente à l’aide de “Large Language Models” (LLM), notamment des réseaux Transformers ou des Variational Autoencoders (VAE), afin de générer la succession des organes et leurs types associés. Les observations et les sorties des modèles statistiques déjà calibrés serviront à entraîner et à paramétrer ces réseaux.

Une deuxième étape sera de simuler un modèle FSPM d’arbre fruitier contraint par des données LIDAR, issues des projets PHENET (pommier) et Gardens (citrus). A partir de ces scans, des structures topologiques augmentées d’information géométriques seront générées. Et les réseaux entraînés précédemment seront étendus pour permettre la génération de ces structures et de leurs informations associées. Un enjeu majeur consistera à développer des codages relatifs (paramétrisation des entités en fonction des paramètres du nœud parent) adaptés à ces informations pour garantir une génération séquentielle cohérente des éléments de l’architecture.

Enfin, dans une troisième étape, nous explorerons l’utilisation de descriptions partielles à certaines phases clés de la croissance. Par exemple, des reconstructions LiDAR pourraient être disponibles uniquement au début et à la fin d’un cycle de croissance, tandis que des observations plus approximatives (vols de drone estimant le volume global de la plante, distribution spatiale de la végétation, etc.) pourraient être obtenues à intervalles réguliers. Dans ce contexte, un apprentissage par renforcement sera utilisé pour calibrer les modèles de croissance. Ce cadre permettra d’alterner entre l’exploitation des données existantes pour optimiser la génération de la structure et l’exploration de nouvelles configurations possibles

Dans une dernière étapes, ces méthodes seront appliquées pour reconstruire un verger en 3D à partir d’informations de phénotypage (drones, LIDAR) puis de simuler des processus biophysiques difficilement observables comme l’interception de la lumière ou le stress hydrique afin d’estimer la résilience du système, la distribution des ressources dans ces systèmes (lumière, eau) et de proposer de nouveaux traits (dans notre cas représentés comme des paramètres de modèles), de nouvelles variétés, et de nouvelles conduites (densité d’arbres, taille, association d’espèces) permettant d’optimiser ces systèmes.

Profil du candidat :
Titulaire d’un master en informatique ou d’un diplôme d’ingénieur avec des compétences en deep learning et idéalement en 3D.
Programmation en Python et C/C++.
Intérêt pour la biologie et l’agronomie.

Formation et compétences requises :

Adresse d’emploi :
CIRAD, Phenomen team, UMR AGAP
Avenue Agropolis TA A-108 / 01
34398 Montpellier Cedex 5, France

Document attaché : 202510131618_these-assimilation-vf-2025.pdf