BIAS - Informatique de la Biodiversité et Intelligence Artificielle en Sciences agro-écologiques

Mots clés
Apprentissage
Images
Science participative

Développer des méthodes automatiques et des outils intégrés pour identifier et quantifier des structures végétales à différentes échelles, à partir de supports visuels dynamiques et multi-sources.

Le groupe développe les acquis scientifiques récents, notamment en Deep Learning, en intégrant des jeux de données issus des sciences participatives ou de données multi-sources, pour appuyer des questions de recherche sur la biodiversité et en Agro-Sciences : identification taxonomique, distribution des espèces, sélection des réserves, taxonomie intégrative, estimation de rendements agricoles, suivis de la phénologie des plantes, etc. Le groupe aborde des questionnements plutôt méthodologiques, aussi bien sur les fondements de base des algorithmes que sur leur stratégie d’utilisation, par exemple : comment automatiser l’extraction de connaissances dans les données massives et hétérogènes (Collections d’Histoire Naturelle, sciences participatives, captations autonomes,…) ? Comment transposer les techniques de Deep Learning, initialement bien définies pour des données structurées telles que les images, au traitement de données non structurées (maquettes 3D, nuages de points LIDAR, etc.) pour la détection, l’identification ou la prédiction d’objets ? Comment aborder l’articulation modélisation/représentation, et en particulier comment revoir les modèles (de croissance) pour mieux les représenter ? comment adapter le Deep Learning à des problématiques aussi diverses que l’identification des stades de développements ou des maladies des plantes, la génération de modèles de distribution d’espèces (SDM), la sélection de réserves sous contraintes, ou la réduction des biais dans les modélisations s’appuyant sur des données massives incertaines ?

Les plateformes numériques constituent un socle commun des différentes composantes du thème, tant dans les approches développées que la mutualisation des compétences : Pl@ntNet, connue pour sa production remarquable de données (300 millions d'observations en 2021), soulève des challenges de traitements aussi bien sur les aspects gestions que les aspects modélisation et apprentissage ; Wiktrop est dédiée au partage et la diffusion de connaissances sur les adventices tropicales et leur gestion. Elle est en phase d’extension à l’ensemble des régions tropicales ; Mikoko est une plateforme en cours de développement dédiée à la collecte et partage des connaissances sur les plantes de mangroves. Enfin, Agro’Deep, en cours de développement, sera à termes une plateforme de services dédiée au traitement distant de données visuelles pour le dénombrement et l’identification de plantes et de leurs organes via les techniques de Deep Learning en Agroécologie, Agronomie, Agroforesterie et Agropaysages numériques.
Ces plateformes sont à la fois une vitrine du savoir-faire du groupe, un booster de transfert technologique et une source récurrente de financement. L’unité dispose de plusieurs machines avec GPUs pour le prototypage, mais s’appuie sur les plateformes GENCI (Grand Equipement National de Calcul Intensif) ou MBB (Montpellier Bio-informatique et biodiversité ) pour les très grandes expérimentations.

Acronyme Intitulé Durée
COCOA4FUTURECocoa4Future : Sustainability of production systems and new dynamics in the cocoa sector
Porteur : Patrick JAGORET (CIRAD)  
2020 - 2024
Guyapatur IIGuyapatur II
Porteurs : Cédric Péret (Chambre d'agriculture)  / Vincent Blanfort (Cirad SELMET)  
2020 - 2021
WeedElecRobot de désherbage localisé par procédé électrique haute tension combiné avec une gestion prédictive par vision hyper-spectrale et post-évaluation par drone
Porteur : Vincent DE RUDNICKI (IRSTEA, UMR ITAP)  
2018 - 2021

DENEU Benjamin 2019 - 2022. Interprétabilité des modèles de distribution de communautés d’espèces végétales appris par apprentissage profond - application aux adventices des cultures dans le contexte de l’agro-écologie. Ecole doctorale : I2S / Université de Montpellier. Dir : JOLY Alexis

LEMIERE Laetitia 2020 - 2023. Contribuer à la formalisation de la description des systèmes agroforestiers et doit aboutir à l'implémentation d'applications de réalité augmentée et à leur évaluation auprès d'agriculteurs, de lycées agricoles et de conseillers agroforestiers.. Ecole doctorale : GAIA / Montpellier SupAgro . Dir : JAEGER Marc / Co-dir. : GOSME Marie

  • Équipe Zenith de l’Inria (consortium Pl@ntNet) : Alexis Joly (CR, data scientist), Jean-Christophe Lombardo (IR)
  • Équipe ICAR du LIRMM (CNRS/UM) : Gérard Subsol (CR, imagerie), Marc Chaumont (DR, imagerie)
  • Equipe ECOS de l’UR HortSys (Cirad) : Emile Faye (DR, agroécologue)
  • Equipe CoffeeAdapt de l’UMR IPME (IRD-Cirad-UM) : Benoit Bertrand (CR, production fruitière)
  • UMR ITAP (Irstea-SupAgro):De Rudnicki (IR, électro.), Guizard (DA, vision), Rabatel (DR, hyperspectrale, drone)
  • UMR Emmah Equipe Swift, Inra Avignon : Claude Doussan (CR, Sciences du sol)
  • TEC (Technologico de Costa-Rica) : Erick Mata-Montero (Associate Professor, biodiversity informatics)
  • University of Florida : Pamela Soltis, évolution des plantes, directrice des activités de recherche d’IdigBio
  • University of California, Santa Barbara : Susan Mazer, écologie de l'évolution et génétique
  • UR CIRAD AIDA : Pascal Marnotte et Marion Schwartz (malherbologues), Aude Ripoche (modélisatrice)
  • UMR SELMET : Vincent Blanfort (agrostologue) et Samantha Bazan (conservatrice herbier Cirad)
  • CNRA Côte d’Ivoire : Etienne Téhia (malherbologue)
  • Strand Life Science en Inde : P. Rajagopal et T. Vattakeven (développement portails collaboratifs)
  • Kenya Forest Service (KFS - conservation et gestion ressources forestières)
  • Kenya Marine and Fisheries Research Institute (KMFRI-conservation et gestion ressources marines)
  • Swinburne University of Technology, Malaisie (DR, Lee Sue Han)