BESNIER Aurélien

Doctotrant
en modélisation et informatique graphique

Equipe: M3P

Je suis spécialisé dans l’informatique graphique, diplômé du master IMAGINE de l’Université de Montpellier. J’ai effectué un CDD au LEPSE de novembre 2023 à juin 2025 sur le développement de solutions logicielles pour le traitement de données images issue de la plateforme de phénotypage à haut débit PhenoArch.
Depuis mi-juillet 2025 je suis doctorant dans deux équipes, au LEPSE dans l’équipe M3P et à l’UMR Emmah à Avignon dans l’équipe CAPTE.

Début de la thèse : 15.06.2025

Sujet: Estimation de la dynamique du développement architectural du blé à partir de données de phénotypage à haut débit en champ à l'aide d'une approche hybride combinant IA et modèle plante en 3D

Résumé
L'objectif général de la thèse est d'estimer les traits de développement architectural du blé au niveau des organes à l'aide du rover sans pilote, Phenomobile V2, la dernière génération d'instruments de phénotypage à haut débit (HTP) sur le terrain. Cette estimation sera réalisée grâce à une approche hybride consistant à créer un système d'apprentissage basé sur l'IA et capable de reconnaître un modèle structurel dynamique en trois dimensions (3D) du blé (AdelWheat). Les capteurs LiDAR (Light Detection and Ranging) et les caméras RVB embarqués à bord de la Phenomobile se sont révélés efficaces pour récupérer la dynamique des caractéristiques structurelles au niveau de la canopée, telles que la hauteur de la canopée, l'indice de surface foliaire de la canopée, la distribution verticale et horizontale de la surface foliaire, la densité des épis ou la taille moyenne des épis. Cette thèse vise à projeter ces observations dans un espace paramétrique basé sur les plantes à l'aide d'une IA entraînée avec AdelWheat afin d'estimer le meilleur ensemble de paramètres qui correspond aux données à haut débit observées. L'ensemble de paramètres obtenu comprend des caractéristiques basées sur les organes (dimensions individuelles des feuilles, hauteur d'insertion des feuilles, nombre de talles...) et des vitesse de développement (phyllochron, vitesse d'élongation des tiges...) qui faciliteront l'utilisation future des observations HTP sur le terrain pour l'analyse GxE à l'aide de modèles de croissance des cultures afin de caractériser le fonctionnement des génotypes, car ces caractéristiques sont également des paramètres des modèles de cultures.

Pour atteindre cet objectif, la thèse abordera trois objectifs spécifiques :

    (i) identifier le sous-ensemble de paramètres d’AdelWheat qui contrôle le plus les observations Phenomobile,

    (ii) développer un programme d'apprentissage basé sur l'IA permettant d'estimer les paramètres d’AdelWheat à partir d'observations,

    (iii) valider la précision des caractères avancés à l'aide des mesures existantes sur le terrain.

La thèse s'appuiera sur des campagnes de mesures multi-sites Phenomobile menées entre 2022 et 2024 (projet ANR FFAST) pour 10 cultivars de blé, et deux autres campagnes en 2025 et 2026 pour 40 cultivars de blé, y compris le panel FFAST (projet Horizon Europe PHENET).

Mots clés: Blé, Structural plant modeling, Apprentissage Profond, Phénotypage haut débit, LiDAR

Encadrants
UMR LEPSE, équipe M3P-DEV : Christian FOURNIER (co-encadrant)
UMR EMMAH, équipe CAPTE : Raul LOPEZ-LOZANO (Directeur de thèse)