Annonce

Les commentaires sont clos.

Thèse sur l'étude des vergers avec données multimodales drone: modélisation physique et machine learning [ANR CANOP]

16 December 2022


Catégorie : Doctorant


Intitulé : Cartographie fine de l’état sanitaire et nutritionnel des vergers par acquisitions drone multimodales en appui de pratiques agro-écologiques

Début de la thèse : Octobre 2023

Mots clés : Imagerie drone, hyperspectral, polarisation, LiDAR 3D, traits biochimiques, verger, agro-écologie

Profil et compétences recherchées :
Formation : écoles d’ingénieur et/ou master 2 recherche en optique, physique ou mathématiques appliquées
Compétences : traitement du signal/image, télédétection, machine learning, écologie/environnement, programmation en python

Laboratoire d’accueil: ONERA centre de Toulouse, Département Optique et Techniques Associées (DOTA)

Directrice et co-directeur de thèse : Karine Adeline (ONERA) et Sylvain Jay (EMMAH)

Candidatures: envoyez votre CV et lettre de motivation à karine.adeline@onera.fr et sylvain.jay@inrae.fr

 

Présentation du projet doctoral, contexte et objectif :

En raison de l'augmentation de la population mondiale, un enjeu critique de nos jours est l'approvisionnement alimentaire, en combinant une production substantielle, des pratiques durables et une économie viable. Le défi actuel est apporté par les nombreuses pressions de facteurs tant biotiques (e.g., maladies, ravageurs) qu’abiotiques (e.g., stress hydrique). L'agroécologie apporte des réponses à ce défi et vise à concevoir des systèmes de production s'appuyant sur les fonctionnalités offertes par les écosystèmes en minimisant les pressions environnementales et en préservant les ressources naturelles [ministère de l'agriculture et de l'alimentation]. Cependant, sa mise en pratique requiert une bonne compréhension du fonctionnement des agroécosystèmes, e.g., afin d’optimiser les pratiques culturales (pesticides, irrigation, taille…). Le recours à des données de télédétection à différentes échelles spatiales, de l’individu (arbre) à la parcelle entière, est une solution non destructive et à haute répétitivité temporelle permettant d’évaluer l’état et le fonctionnement d’un agroécosytème. Dans les vergers, la variabilité inter-individu de l’état sanitaire et nutritionnel est couramment évaluée par des scores visuels et des mesures du potentiel hydrique et de la teneur azotée, moyennés à l’échelle de l’individu. Afin d’obtenir une meilleure caractérisation de l’état des vergers, on se propose de passer à l’évaluation de la variabilité intra-individu [1]. En effet, cette dernière prend en compte l’hétérogénéité structurelle de la couronne d’un arbre et permet une meilleure discrimination de l’extension spatiale des symptômes caractéristiques de la présence de maladies et ravageurs. En outre, elle guide vers un traitement spatialisé et adapté pour un arbre donné.

Pour cela, des acquisitions drone permettent d’atteindre l’échelle centimétrique et cartographier finement la canopée d’un arbre en ciblant chaque feuille. La réflectance foliaire mesurée pour chaque pixel sur le domaine optique 0,4 – 2,5 μm est dominée par des absorptions spectrales spécifiques aux traits biochimiques qui sont les pigments foliaires (e.g. chlorophylles, caroténoïdes et anthocyanes), ainsi que les contenus en eau et en matière sèche. Ces traits biochimiques sont reliés à l’activité physiologique de la feuille (e.g. photosynthèse, transpiration, croissance) [2]. De ce fait, leur estimation et leur évolution spatiotemporelle est intimement corrélée à l’état sanitaire et nutritionnel de la feuille [3]. Grâce à leur grande richesse spectrale et leur résolution spectrale fine, les données hyperspectrales sont les plus adaptées pour estimer conjointement tous les traits biochimiques [4]. La méthodologie pour estimer ces traits des propriétés optiques de feuille peut être soit empirique (utilisation du machine learning à partir des réflectances ou
d’indices spectraux), soit physique (inversion sur données simulées par des codes de modélisation du transfert radiatif - RTM), soit hybride (machine learning sur données simulées) [4]. Celle pour caractériser les états sanitaires/nutritionnels des traits biochimiques est en général empirique [1,3]. Néanmoins la problématique majeure lorsqu’on travaille à très haute résolution spatiale est qu’il existe deux types d’effets directionnels (spectral et géométrique) qui sont à prendre en compte :

(1) le comportement directionnel (ou anisotrope) de la réflectance de la feuille : la réflectance totale est la somme d’une composante spéculaire et diffuse [5]. La première est dépendante uniquement des propriétés de surface et n’apporte pas d’informations sur les traits biochimiques, à la différence de la seconde. On va donc chercher à s’affranchir de la contribution de la composante spéculaire. Puisque cette dernière génère de la polarisation linéaire sur la lumière solaire incidente non polarisée, on va chercher à travailler avec des données polarimétriques afin de soit soustraire la composante spéculairesur la réflectance totale mesurée [6], soit de calculer des indices spectraux basés sur le degré de polarisation linéaire [7].
(2) l’orientation angulaire de la feuille qui va plus ou moins exacerber l’effet de 1) pour des conditions d’illumination angulaires données (on se situera toujours en conditions de visées proche de la verticale). Il sera important de la déterminer pour savoir si on est proche de la configuration spéculaire. Pour cela, on va s’appuyer sur des données LiDAR.

Ainsi, il sera nécessaire d’adapter les méthodes traditionnelles pour corriger ces effets directionnels et obtenir de meilleures estimations des traits foliaires.

L’objectif de cette thèse est de cartographier l’état sanitaire et nutritionnel des feuilles au sein d’un arbre pour capturer sa variabilité intra-individu en couplant acquisitions drone photométriques (non polarimétriques) hyperspectrales, polarimétriques et LiDAR 3D. Les produits cartographiques pourront être mis en perspectives d’applications ciblées pour améliorer les pratiques agroécologiques : l’optimisation de la gestion des intrants (fertilisation, pesticides, irrigation) [8] et la sélection de variétés résilientes [9]. Cette thèse est financée par l’Agence Nationale de la Recherche et fait partie du projet ANR JCJC CANOP “Remotely sensed leaf biochemistry intra-individual variability in orchard tree CANOPies for agroecology” (2023-2026). Les deux sites d’étude sont situés à Avignon et comprennent un verger de pêchers et un verger d’abricotiers. Des travaux préliminaires auront été effectués à partir de mesures en laboratoire pour caractériser les effets directionnels (1) et (2) à l’échelle feuille en conditions maîtrisées. Il s’agira d’évaluer comment les mettre en application et les adapter pour des acquisitions en conditions extérieures sur la canopée d’un arbre.

Le plan de travail s’effectuera selon 3 étapes :
Dans une première étape, on estimera les traits biochimiques à partir des données photométriques hyperspectrales acquises par drone à l’échelle centimétrique. Le traitement de pixels purs de feuille pourra s’effectuer en s’appuyant sur de la classification à partir d’indices spectraux de végétation afin de discriminer feuilles, éléments ligneux (tronc et branches) et fruit/fleur, éventuellement à partir des données LiDAR en présence d’herbe sous les arbres. Ensuite, l’estimation des traits biochimiques foliaires sur ces pixels s’appuiera (i) sur l’application de régressions empiriques, (ii) l’inversion du code RTM à l’échelle feuille, PROSPECT [10], et (iii) la combinaison des deux. Des régressions et des codes d’inversion seront déjà disponibles via des travaux antérieurs qui seront réalisés en laboratoire dans le cadre du projet. Enfin, les valeurs estimées des traits biochimiques seront validées avec des mesures de terrain. Ce premier travail servira de base puisqu’il ne corrige pas des effets directionnels.

Dans une seconde étape, on évaluera l’apport de données LiDAR pour prendre en compte l’orientation des feuilles (cf. (2)). Les nuages de point acquis seront convertis en information angulaire à partir d’une méthodologie qui aura été expérimentée en laboratoire au préalable [11]. Ensuite, une approche empirique sera testée pour estimer les traits biochimiques en prenant en entrée à la fois les données hyperspectrales précédentes et ces données angulaires. Elle sera comparée à l’inversion du code RTM PROCOSINE [12] qui est une extension de PROSPECT avec l’ajout de deux paramètres (l’angle zénithal foliaire et un coefficient spéculaire à détermination arbitraire). D’une manière générale, ces deux codes, PROSPECT et PROCOSINE, seront testés en connaissance de leurs limitations lors du passage à l’échelle feuille en conditions de laboratoire à l’échelle canopée en conditions extérieures. Les résultats finaux seront comparés avec ceux de la première étape.

Dans une troisième étape, on évaluera l’apport de données polarimétriques pour prendre en compte l’anisotropie des propriétés optiques (cf. (1) et (2)). Un modèle de réflectance bi-directionnelle photométrique et polarisée de la feuille [13] et des régressions empiriques développés en laboratoire reliant propriétés optiques aux traits foliaires (basées sur [6,7]) pourront être testés sur le jeu de données multimodales. Un bilan sera effectué sur les performances d’estimation des traits biochimiques selon les trois approches et en les combinant. Les cartographies détaillées de ces traits au sein de la couronne d’un arbre pourront être converties en état de santé/nutritionnel avec des relations déjà établies. Le lien avec les applications agroécologiques visées pourra être mené avec la collaboration de laboratoires experts dans ce domaine.

Le candidat participera à deux campagnes de mesures en 2024 qui comprendront différents types de mesures, c’est-à-dire des acquisitions drone multimodales, des mesures terrestres LiDAR 3D et des mesures spectrales de terrain pour caractériser l’environnement. Plusieurs prélèvements de feuilles ainsi que des mesures complémentaires spectrales et de leur état seront également prévus.

Références bibliographiques :

[1] Zarco-Tejada P.J. et al. (2018) Previsual symptoms of Xylella fastidiosa infection revealed in spectral planttrait alterations. Nature Plants 4, 432–439.
[2] Jacquemoud S. & Ustin S. (2019) Leaf optical properties. Cambridge University Press.
[3] Morel J. et al. (2018) Exploring the potential of PROCOSINE and close-range hyperspectral imaging to study the effects of fungal diseases on leaf physiology. Scientific reports, 8(1), 1-13.
[4] Verrelst J. et al. (2015) Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties - A review. ISPRS J. Photogramm. Remote Sens., 108, 273–290.
[5] Thèse Laurent Alain Bousquet « Mesure et modélisation des propriétés optiques spectrales et directionnelles des feuilles », soutenue en 2007 à Paris 7 (http://www.theses.fr/2007PA077024).
[6] Liu et al. (2021) Combining Multiangular, Polarimetric, and Hyperspectral Measurements to Estimate Leaf Nitrogen Concentration From Different Plant Species. IEEE TGRS, 1 – 15.
[7] Yao C. et al. (2020). Estimation of leaf chlorophyll content with polarization measurements: Degree of linear polarization. Journal of Quantitative Spectroscopy and Radiative Transfer, 242.
[8] Plénet D. et al. (2019) EcoPêche-Conception et évaluation multisite de vergers de pêche–nectarine économes en produits phytopharmaceutiques et en intrants. Innovations Agronomiques, 76, 291-310.
[9] Roth M. et al. (2020) Genomic prediction of fruit texture and training population optimization towards the application of genomic selection in apple. Hortic. Res. 7: 148.
[10] Féret, J. B. et al. (2017) PROSPECT-D: towards modeling leaf optical properties through a complete lifecycle. Remote Sensing of Environment, 193, 204-215.
[11] Itakura, K., & Hosoi, F. (2019). Estimation of leaf incliation angle in three-dimensional plant images obtained from lidar. Remote Sensing, 11(3), 344.
[12] Jay, S. et al. (2016) A physically-based model for retrieving foliar biochemistry and leaf orientation using close-range imaging spectroscopy. Remote Sensing of Environment, 177, 220-236.
[13] Sun, Z. et al. (2017) Polarized reflectance factors of vegetation covers from laboratory and field: A comparison with modeled results. J. Geophys. Res. Atmos., 122, 1042– 1065.

Collaborations envisagées :

Laboratoires partenaires de l’ANR JCJC CANOP (TETIS – J.-B. Féret, CESBIO – J.-P. Gastellu-Etchegorry, N. Lauret, PSH – G. Vercambre, GAFL – M. Roth)