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
DEEPBEESALERTTowards a system of sustainable management and protection of pollination resources
Porteur : Philippe BORIANNE 
2021 - 2021
Guyapatur IIGuyapatur II
Porteurs : Cédric Péret (Chambre d'agriculture)  / Vincent Blanfort (Cirad SELMET)  
2020 - 2021
iDROPimagerie Intelligente par DRone pour la gestion des écosystèmes forestiers trOPicaux
Porteurs : Hubert DUBOIS (TOULOUSE - CEA TECH - CEA TECH MIDI-PYRENEES)  / Valery GOND (Département Environnements et Sociétés, CIRAD)  
2018 - 2021
MIKOKOMikoko: Conservation and resilience of Kenya’s mangrove forests
Porteur : Maria-Juliana PROSPERI 
2019 - 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

Thèses

2020

Thèse

auteur
Dimitri Justeau-Allaire
titre
Constraint-based systematic conservation planning, a generic and expressive approach. Application to decision support in the conservation of New Caledonian forests.
article
Biodiversity and Ecology. Université de Montpellier, 2020. English
Accès au bibtex
BibTex

Articles

Publications HAL de la collection AMAP

2021

Article dans une revue

ref_biblio
Christophe Botella, Alexis Joly, Pierre Bonnet, François Munoz, Pascal Monestiez. Jointly estimating spatial sampling effort and habitat suitability for multiple species from opportunistic presence‐only data. Methods in Ecology and Evolution, Wiley, 2021, 12 (5), pp.933-945. ⟨10.1111/2041-210X.13565⟩. ⟨hal-03150701⟩
Accès au texte intégral et bibtex
https://hal.umontpellier.fr/hal-03150701/file/2041-210X.13565.pdf BibTex
ref_biblio
Benjamin Deneu, Maximilien Servajean, Pierre Bonnet, Christophe Botella, François Munoz, et al.. Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLoS Computational Biology, Public Library of Science, 2021, 17 (4), pp.e1008856. ⟨10.1371/journal.pcbi.1008856⟩. ⟨hal-03220977⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-03220977/file/Deneu_etal_Plos_Computational_Biol_2021_17_4.pdf BibTex
ref_biblio
Nigel Pitman, Tomomi Suwa, Carmen Ulloa Ulloa, James Miller, James Solomon, et al.. Identifying gaps in the photographic record of the vascular plant flora of the Americas. Nature Plants, Nature Publishing Group, In press, ⟨10.1038/s41477-021-00974-2⟩. ⟨hal-03312029⟩
Accès au bibtex
BibTex

2020

Article dans une revue

ref_biblio
Tom August, Oliver Pescott, Alexis Joly, Pierre Bonnet. AI Naturalists Might Hold the Key to Unlocking Biodiversity Data in Social Media Imagery. Patterns, Cell Press Elsevier, 2020, 1 (7), pp.100116. ⟨10.1016/j.patter.2020.100116⟩. ⟨hal-02989043⟩
Accès au bibtex
BibTex
ref_biblio
Pierre Bonnet, Julien Champ, Hervé Goëau, Fabian-Robert Stöter, Benjamin Deneu, et al.. Biodiversity Information Science and Standards 4: e58933 Pl@ntNet Services, a Contribution to the Monitoring and Sharing of Information on the World Flora. Biodiversity Information Science and Standards, Sofia : Pensoft Publishers, 2017-, 2020, 4, ⟨10.3897/biss.4.58933⟩. ⟨hal-02973673⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02973673/file/Bonnet_etal_BISS_article_58933-1.pdf BibTex
ref_biblio
Pierre Bonnet, Hervé Goëau, Frantz Hopkins, Errol Véla, Amandine Sahl, et al.. Contribution citoyenne au suivi de la flore d'un parc national français, un exemple remarquable à l'échelle du Parc national des Cévennes. Carnets Botaniques, Société Botanique d'Occitanie, 2020, pp.1-9. ⟨10.34971/zaz0-n247⟩. ⟨hal-02981760⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02981760/file/BONNET_et_al_2020_CBot.pdf BibTex
ref_biblio
Pierre Bonnet, Alexis Joly, Jean-Michel Faton, Susan Brown, David Kimiti, et al.. How citizen scientists contribute to monitor protected areas thanks to automatic plant identification tools. Ecological Solutions and Evidence, Wiley, 2020, 1 (2), ⟨10.1002/2688-8319.12023⟩. ⟨hal-02937618⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02937618/file/Bonnet_etal_Ecological_Solutions_Evidence_2020_1_2.pdf BibTex
ref_biblio
Christophe Botella, Alexis Joly, Pascal Monestiez, Pierre Bonnet, François Munoz. Bias in presence-only niche models related to sampling effort and species niches: Lessons for background point selection. PLoS ONE, Public Library of Science, 2020, 15 (5), pp.e0232078. ⟨10.1371/journal.pone.0232078⟩. ⟨hal-02639237⟩
Accès au texte intégral et bibtex
https://hal.archives-ouvertes.fr/hal-02639237/file/Botella_etal_PlosOne_2020_15_5.pdf BibTex
ref_biblio
Julien Champ, Adán Mora‐fallas, Hervé Goëau, Erick Mata‐montero, Pierre Bonnet, et al.. Instance segmentation for the fine detection of crop and weed plants by precision agricultural robots. Applications in Plant Sciences, Wiley, 2020, 8 (7), pp.e11373. ⟨10.1002/aps3.11373⟩. ⟨hal-02910844⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02910844/file/Bonnet%20etal_Appl_Plant_Sci_2020_8_7.pdf BibTex
ref_biblio
Charles Davis, Julien Champ, Daniel Park, Ian Breckheimer, Goia Lyra, et al.. A New Method for Counting Reproductive Structures in Digitized Herbarium Specimens Using Mask R-CNN. Frontiers in Plant Science, Frontiers, 2020, 11, ⟨10.3389/fpls.2020.01129⟩. ⟨hal-02909794⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02909794/file/fpls-11-01129-1-1.pdf BibTex
ref_biblio
Hervé Goëau, Adán Mora‐fallas, Julien Champ, Natalie Lauren Rossington Love, Susan Mazer, et al.. A new fine‐grained method for automated visual analysis of herbarium specimens: A case study for phenological data extraction. Applications in Plant Sciences, Wiley, 2020, 8 (6), pp.#e11368. ⟨10.1002/aps3.11368⟩. ⟨hal-02894994⟩
Accès au texte intégral et bibtex
https://hal.inrae.fr/hal-02894994/file/aps3.11368.pdf BibTex
ref_biblio
Jianwei Guo, Shibiao Xu, Dong-Ming Yan, Zhanglin Cheng, Marc Jaeger, et al.. Realistic Procedural Plant Modeling from Multiple View Images. IEEE Transactions on Visualization and Computer Graphics, Institute of Electrical and Electronics Engineers, 2020, 26 (2), pp.1372-1384. ⟨10.1109/TVCG.2018.2869784⟩. ⟨hal-02291248⟩
Accès au bibtex
BibTex
ref_biblio
Sue Han Lee, Hervé Goëau, Pierre Bonnet, Alexis Joly. Attention-Based Recurrent Neural Network for Plant Disease Classification. Frontiers in Plant Science, Frontiers, 2020, 11, ⟨10.3389/fpls.2020.601250⟩. ⟨hal-03064464⟩
Accès au texte intégral et bibtex
https://hal.inria.fr/hal-03064464/file/Lee_etal_Fontiers_in_Plantes_2020_11.pdf BibTex
ref_biblio
Sue Han Lee, Hervé Goëau, Pierre Bonnet, Alexis Joly. New perspectives on plant disease characterization based on deep learning. Computers and Electronics in Agriculture, Elsevier, 2020, 170, pp.105220. ⟨10.1016/j.compag.2020.105220⟩. ⟨hal-02470280⟩
Accès au texte intégral et bibtex
https://hal.umontpellier.fr/hal-02470280/file/1-s2.0-S0168169919300560-main.pdf BibTex
ref_biblio
Katelin Pearson, Gil Nelson, Myla Aronson, Pierre Bonnet, Laura Brenskelle, et al.. Machine Learning Using Digitized Herbarium Specimens to Advance Phenological Research. Bioscience, Oxford University Press (OUP), 2020, 70 (7), pp.610-620. ⟨10.1093/biosci/biaa044⟩. ⟨hal-02573627⟩
Accès au texte intégral et bibtex
https://hal.umontpellier.fr/hal-02573627/file/biaa044.pdf BibTex

  • 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)