Détection automatique d’arbres morts et dépérissant en milieu forestier à partir de deep learning et télédétection

Contexte et atouts du poste

Les changements climatiques et environnementaux, notamment les épisodes répétés de sécheresse intense, provoquent de graves problèmes sanitaires dans les forêts françaises, affectant diverses espèces de résineux et de feuillus et entraînant une surmortalité importante. Parmi les risques biologiques émergents particulièrement surveillés figure le nématode du pin, présent dans la péninsule ibérique depuis 1999, qui pourrait causer des dégâts considérables s'il apparaissait en France. La détection précoce de ces menaces sanitaires constitue un enjeu majeur pour permettre une gestion forestière efficace et limiter la propagation de ces bio-agresseurs.

Compte tenu de la capacité de vol importante de l'insecte vecteur du nématode, il est essentiel de développer des systèmes de détection des arbres morts ou dépérissants basés sur la télédétection. Ces systèmes doivent être capables d'identifier les arbres individuels et de s'adapter à différentes sources de données, allant de l'imagerie aéroportée à l'imagerie satellite, pour assurer une mise en œuvre opérationnelle à grande échelle.

La détection d'arbres dépérissants à l'échelle individuelle nécessite l'utilisation d'imagerie à très haute résolution spatiale (centimétrique à décimétrique) combinée à des méthodes de deep learning, comme YOLOv8 ou DETR, permettent d'analyser automatiquement les images pour identifier et localiser les arbres présentant des signes de dépérissement. Un défi méthodologique majeur réside dans la capacité de généralisation de ces modèles : ils doivent pouvoir fonctionner avec diverses sources de données (images aériennes, satellites) présentant des résolutions et des caractéristiques différentes, tout en maintenant une performance de détection suffisante pour une application opérationnelle en surveillance forestière.

Mission confiée

Ce projet de stage s'articule autour de plusieurs axes complémentaires visant à développer et évaluer des méthodes de détection automatique d'arbres dépérissants :

1. Préparation des données : structurer et organiser la base de données d'images et d'annotations constituée par les experts forestiers pour l'entraînement et la validation des modèles.

2. Analyse bibliographique : réaliser un état de l'art sur les méthodes de détection d'objets appliquées à l'imagerie aérienne, en identifiant les approches les plus pertinentes pour la surveillance sanitaire forestière.

3. Développement et évaluation de modèles : étudier, adapter et comparer différentes architectures de détection d'objets, incluant des approches à base de réseaux de neurones convolutifs (CNN) comme YOLOv8, ainsi que des méthodes basées sur des transformers telles que DETR.

4. Validation opérationnelle : évaluer les performances de ces approches sur les jeux de données issus de la photo-interprétation réalisée par les experts forestiers partenaires, en analysant leur capacité de détection et leur robustesse.

5. Perspectives d'extension (si le temps le permet) : explorer le potentiel de transfert de ces méthodes vers d'autres sources de données aériennes et/ou satellitaires afin d'évaluer la faisabilité d'un déploiement à plus grande échelle spatiale et temporelle.

Principales activités

Principales activités

6. Analyser l'état de l'art et restituer les connaissances acquises à travers des présentations à l'équipe encadrante, en considérant le contexte multidisciplinaire du projet.

7. Proposer des solutions adaptées pour la tâche de détection d'arbres morts et dépérissants à partir d'imagerie à très haute résolution spatiale.

8. Adapter les méthodes sélectionnées aux caractéristiques spécifiques des données de télédétection utilisées (résolution, format, conditions d'acquisition).

9. Réaliser un benchmark comparatif des méthodes sélectionnées sur les jeux de données du projet, en évaluant leurs performances et leur robustesse.

10. Restituer les résultats obtenus et proposer des pistes d'amélioration méthodologiques pour la suite.

Compétences

Compétences techniques et niveau requis :
- Programmation Python
- Vision par ordinateur et deep learning
- Traitement de données géospatiales (Optionnel)
- Gestion de données et expérimentations

Niveau requis : Master 2 ou École d'ingenieur en numérique, informatique, data science, intelligence artificielle, ou domaine connexe, avec une spécialisation en vision par ordinateur ou apprentissage automatique.

Langues :
- Français
- Anglais pour lecture d'article et présentation orale

Compétences relationnelles :
- Travail en équipe multidisciplinaire
- Écoute active et réceptivité
- Communication bidirectionnelle
- Esprit collaboratif
- Gestion des interactions avec des partenaires externes

Avantages

11. Restauration subventionnée
12. Transports publics remboursés partiellement
13. Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
14. Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
15. Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
16. Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
17. Accès à la formation professionnelle
18. Participation mutuelle sous conditions

Rémunération

Gratification selon temps de présence.