Topic description
Dans ce projet de thèse, nous visons à approfondir l'intégration de modèles de croissance et de modèles d'IA pour les prairies, en nous appuyant sur des travaux entrepris depuis plusieurs années au CESBIO et à l'UREP. L'objectif est de développer et d'évaluer des approches de modélisation hybride qui combinent des modèles de croissance de prairies et l'intelligence artificielle avec des données de télédétection afin d'améliorer le suivi, la prédiction et la compréhension de la dynamique et de la productivité des prairies. Ce modèle sera utilisé pour étudier la réponse des pâturages et des prairies de fauche au changement climatique sur une ferme expérimentale de l'UREP à l'Herbipôle (INRAE-Laqueuille). Nous déploierons ensuite le modèle pour suivre des parcelles intégrées à l'observatoire des prairies du Massif Central afin de tester la généralité du modèle à grande échelle spatiale sur différents types de prairies.
Plus précisément, le doctorant travaillera sur les objectifs spécifiques suivants :
1. Développer des modèles hybrides couplant un modèle de croissance parcimonieux et l'IA, où les modèles d'IA sont guidés par les sorties du modèle de croissance de prairies. Quantifier les incertitudes et la sensibilité du modèle.
2. Intégrer des données de télédétection multi-sources (optiques, radar et données météorologiques) et réduire la nécessité de données in-situ pour calibrer les modèles d'IA.
3. Améliorer l'estimation de la biomasse et de la productivité et démontrer le potentiel opérationnel pour le suivi des prairies.
La phase de déploiement à grande échelle du modèle sera réalisée dans le cadre du projet M.O.H-NITOR (financé par l'OFB et le Fonds National d'Aménagement et de Développement du Territoire (FNADT)). Ce projet vise à informer et améliorer la compréhension de la dynamique couplée de la biodiversité et du fonctionnement des écosystèmes prairiaux en réponse au changement climatique et aux pratiques agricoles. L'objectif de cette phase est d'intégrer le modèle dans un outil de gestion adaptative des prairies destiné aux agriculteurs et aux conseillers agricoles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
In this PhD project, we aim to further integrate growth models and AI models for grasslands, building on work undertaken over several years at CESBIO and UREP. The objective is to develop and evaluate hybrid modeling approaches that combine grassland growth models and artificial intelligence with remote sensing data in order to improve the monitoring, prediction, and understanding of grassland dynamics and productivity. This model will be used to study the response of pastures and hay meadows to climate change on an experimental farm at UREP at the Herbipole (INRAE-Laqueuille). We will then deploy the model to monitor plots integrated into the Massif Central grassland observatory to test the model's generality at a large spatial scale on various type of grassland.
Specifically, the recruit will work on the following specific objectives:
1. Develop hybrid models coupling parsimonious growth model and AI, where AI models are guided by grassland growth model outputs. Quantify uncertainties and model sensitivity.
2. Integrate multi-source remote sensing data (Optical, Radar and meteorological data) and lessen the necessity of in-situ data to calibrate AI models.
3. Improve biomass and productivity estimation and demonstrate operational potential for grassland monitoring.
The large-scale deployment phase of the model will be carried out within the M.O.H-NITOR project (funded by the OFB and the National Fund for Territorial Development and Planning (FNADT)). This project aims to inform and improve understanding of the coupled dynamics of biodiversity and the functioning of grassland ecosystems in response to climate change and agricultural practices. The ultimate goal of this phase is to integrate the model into an adaptive grassland management tool intended for farmers and agricultural advisors
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Public funding alone (i.e. government, region, European, international organization research grant)
Funding further details
Concours pour un contrat doctoral
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.