Thèse de Ambre Mychalski
Sujet :
Date de début : 01/11/2026
Date de fin (estimée) : 01/11/2029
Encadrant : Laure Tougne Rodet
Résumé :
<p>La thèse s’inscrit dans le PEPR Past2ECO qui vise à élucider les mécanismes génétiques et évolutifs d’adaptation des cultures au changement climatique en intégrant la diversité historique et contemporaine du blé et du sorgho. L’enjeu est de relier les diversités génétiques, phénotypiques, environnementales et pratiques agricoles afin de prédire et de mobiliser l’adaptation pour des systèmes agroécologiques durables. Dans ce cadre, il faut valoriser les ressources biologiques anciennes et contemporaines liées au blé et du sorgho. Au niveau des ressources anciennes, les herbiers représentent à cet égard une ressource exceptionnelle, permettant d’accéder à la biodiversité des cultures passées sur plusieurs siècles (Meineke et al., 2018). Cependant ces données restent peu exploitables, car vérifier (e.g. identification approximative dans certain herbier), traiter et extraire ces données anciennes n’est pas réalisable manuellement du fait de la quantité de données et le niveau d’expertise taxonomique nécessaire. Une identification à l’échelle des variétés par IA permettrait à la fois de réaliser un curage de ces herbiers et d’extraire des informations taxonomiques et morphologiques sur ces cultures au cours des siècles. Cela offrirait une opportunité unique pour caractériser les anciennes variétés cultivées et d’identifier l’impact des variations climatiques et anthropiques sur ces dernières. Pour les ressources contemporaines, l’identification des variétés dans les cultures actuelles permet d’analyser la plasticité phénotypique dans les systèmes cultivés, notamment dans les mélanges variétaux et les agroécosystèmes complexes. C’est là aussi une tache difficilement faisable manuellement de par la quantité de données et le niveau d’expertise requis pour l’identification. Une identification taxonomique à l’échelle des variétés par IA permettrait donc d’extraire et d’exploiter des informations complémentaires issues des herbiers et des cultures modernes afin d’identifier des traits d’intérêt agronomique et mieux comprendre les réponses du blé et du sorgho aux changements environnementaux.</p>
<p>La thèse vise à faire progresser la vision par ordinateur pour l’identification taxonomique des plants à l’échelle variétale à partir d’image de plantes vivantes et d’herbiers. Elle cherche à améliorer significativement l’identification taxonomique et à mieux comprendre les mécanismes d’attention des réseaux de neurones impliqués dans l’identification. Elle pourra en particulier aider à la curation de l’Herbier utilisé dans le contexte du projet Past2ECO. Pour ce faire, cette thèse se concentre sur le blé et le sorgho dont l’identification et la caractérisation des variétés sont particulièrement complexes.</p>
<p>La thèse s’articule autour de 4 tâches principales dont la réalisation pourra évoluer au cours du temps en fonction des affinités du doctorant et des avancés de l’état de l’art.</p>
<p>1. Résoudre les problèmes d’adaptation de domaines entre les images de plantes vivantes et celle des herbiers via des approches de génération supervisée (Goodfellow et al., 2020 ; Jing et al., 2019 ; Shorten et Khoshgoftaar, 2019) et non supervisées (Ajakan et al., 2014 ; Wang et al., 2020).</p>
<p>2. Utiliser les données et les modèles de Pl@ntNet (Joly et al., 2016 ; Lefort et al., 2024) pour étendre la base de données du PEPR Past2ECO et mettre en oeuvre différentes approches d’apprentissage par transfert (Azad et al., 2024) afin de développer de nouveaux modèles et/ou de nouvelles branches de Pl@ntNet spécialisées dans l'identification des variétés du PEPR Past2ECO.</p>
<p>3. Étudier les mécanismes d'attention des modèles d’IA l'identification des variétés qui seront développées durant la thèse afin de mettre en avant les structures morphologiques propres à chaque variété (Covert et al., 2023).</p>
<p>4. Étudier les liens entre le phénotype (images et données de morphométrie géométrique) et le génotype (ADN) à l’aide de modèles d’IA multimodaux comme CLIP (Radford et al., 2021).</p>