Stage m2 - utilisation d’outils d’apprentissage automatique pour mo...

Contexte du recrutement et définition de poste :

Titre : Utilisation d’outils d’apprentissage automatique pour créer des équivalents à large bande pour les modèles de transfert radiatif.

Mots-clés : télédétection, apprentissage automatique, modèles de transfert radiatif, spectroscopie foliaire

Promoteur(s) : Jeff Anderson (IR), Marc Peaucelle (CR)

Lieu : Unité ISPA (Interaction Sol-Plante-Atmosphère) - INRAE Bordeaux, 71 av. Edouard Bourlaux, 33140 Villenave d'Ornon

Site web :

Description de l'étude

Le cycle de vie des feuilles, ce que l’on appelle la phénologie foliaire, est un processus clé du fonctionnement des écosystèmes, à la fois à l'échelle locale et régionale. Il contrôle la saisonnalité des processus biophysiques (albédo, évaporation et énergie) et biogéochimiques (carbone et nutriments) et influence la composition des écosystèmes et les interactions entre les espèces. Comprendre les réponses phénologiques au changement climatique est donc essentiel pour plusieurs secteurs, notamment l'agriculture et la sylviculture, mais aussi pour la conservation et la santé publique (allergies, climat).

Les modèles phénologiques actuels utilisés pour étudier et simuler le débourrement, la croissance et la senescence des feuilles d’arbres, sont tous basés sur un lien empirique entre phénologie et conditions météorologiques et climatiques, et principalement le concept de degré-jour 1,2. Dans un contexte de changements climatiques, ces modèles montrent de faibles performances et ne permettent pas de simuler correctement la dynamique des écosystèmes. Cela se traduit par de larges incertitudes sur les bilans de carbone et d’eau des forêts simulés par les modèles de la biosphère terrestre qui sont utilisés dans le cadre des projections climatiques de l’IPCC 3.

Actuellement, les modèles de végétation et les méthodes de télédétection reposent souvent sur des hypothèses approximatives ou des mesures peu fréquentes de ces paramètres physiologiques clés. Si des techniques sophistiquées utilisant des mesures spectrométriques couplées à des modèles de transfert radiatif (MTR) permettent une estimation précise in situ des concentrations de pigments 4, ces méthodes sont gourmandes en main-d'œuvre et inadaptées aux mesures quotidiennes tout au long d'une saison de croissance. Cette limitation se traduit par une résolution temporelle insuffisante pour capturer les changements rapides de la physiologie foliaire, en particulier lors d'événements phénologiques critiques comme le débourrement et la sénescence. À l'inverse, les méthodes d’imagerie par caméra (phénocam) se sont révélées être des outils importants pour déterminer le moment phénologique, et des recherches récentes montrent qu'elles pourraient avoir un potentiel inexploité pour surveiller les caractéristiques des pigments foliaires, et pas seulement pour des mesures simplifiées de la présence ou de la verdure des feuilles 5,6.

Dans le cadre du projet européen ERC LEAFPACE (), qui étudie le lien entre l'activité foliaire et la phénologie chez 13 espèces d'arbres européennes dominantes sur le site INRAE de Bordeaux, nous cherchons à combler ce manque de données entre l'imagerie optique à spectre complet et à large bande. L'objectif de ce projet de master est de développer un modèle de prédiction des concentrations de pigments directement à partir d'images de phénocam. Ce modèle permettra une surveillance continue des concentrations de pigments foliaires sur un vaste réseau de sites grâce à l'apprentissage automatique (AM) et à une infrastructure de télédétection facilement accessible.

L'étudiant utilisera un jeu de données structuré reliant les mesures spectrométriques (fournissant le spectre de réflectance complet) effectuées sur les plantes expérimentales aux concentrations de pigments de référence (obtenues par RTM ou analyses en laboratoire). La tâche principale consiste à utiliser des techniques d'apprentissage automatique pour établir un lien prédictif robuste entre ces entrées spectrales haute résolution, les larges bandes fournies par les phénocams colocalisées (qui capturent des images fréquentes de la canopée) et les concentrations de pigments foliaires correspondantes. Ce modèle prédictif permettra ensuite d'adapter les estimations de concentration de pigments, issues de mesures spectrales sporadiques, aux images chronologiques continues collectées par la phénocam, fournissant ainsi des données haute fréquence sur l'état physiologique de toutes les espèces suivies.

Ce stage combine analyse de données avancée, application de l'apprentissage automatique et principes de la télédétection. Les étapes prévues sont les suivantes :

1. Revue de la littérature sur les approches d’apprentissage automatique (par exemple, forêt aléatoire, boosting de gradient, apprentissage automatique à vecteurs de support) pour la télédétection et la mesure des caractéristiques foliaires.
2. Harmonisation et prétraitement des données : nettoyage et alignement des données du spectromètre à spectre complet, des images phénocam à large bande et des données de référence sur la concentration pigmentaire.
3. Collecte de données de terrain : à la fois dans les arbres expérimentaux et dans les arbres.
4. Développement du modèle : application et comparaison de divers algorithmes d’apprentissage automatique afin de construire un modèle prédictif très précis de la concentration pigmentaire foliaire à partir d’entrées spectrales.
5. Validation du modèle : test rigoureux du modèle d’apprentissage automatique par rapport à des mesures pigmentaires indépendantes du site expérimental.
6. Application et analyse : déploiement du modèle validé sur des séries chronologiques continues d’images phénocam afin de générer une dynamique pigmentaire haute résolution pour les 13 espèces. Analyse des séries chronologiques de concentration pigmentaire en relation avec les stratégies spécifiques à chaque espèce, la phénologie et les conditions microclimatiques.

Stage conventionné ; gratification selon la réglementation.

Références :

7. Basler, D. Evaluating phenological models for the prediction of leaf-out dates in six temperate tree species across central Europe. Agricultural and Forest Meteorology 217, 10–21 (2016).
8. Liu, Q. et al. Modeling leaf senescence of deciduous tree species in Europe. Glob Chang Biol 26, 4104–4118 (2020).
9. Richardson, A. D. et al. Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program Site Synthesis. Global Change Biology 18, 566–584 (2012).
10. Féret, J.-B., Gitelson, A. A., Noble, S. D. & Jacquemoud, S. PROSPECT-D: Towards modeling leaf optical properties through a complete lifecycle. Remote Sensing of Environment 193, 204–215 (2017).
11. Richardson, A. et al. Tracking vegetation phenology across diverse North American biomes using PhenoCam imagery. Scientific Data 5, 180028 (2018).
12. Wingate, L. et al. Interpreting canopy development and physiology using a European phenology camera network at flux sites. Biogeosciences 12, 5995–6015 (2015).

Profil recherché :

Stage M2 - fin d'étude école d'ingénieure/grandes écoles

Prérequis : Ce projet est axé sur la science des données et la modélisation. Une excellente connaissance des statistiques et de la programmation (Python ou R, avec une préférence pour Python pour les bibliothèques de Machine Learning) est indispensable. Une connaissance préalable de la télédétection, de la spectroscopie ou de l'écophysiologie végétale est fortement recommandée.