Post-doctorant-e: Proxydétection

84000 Avignon _

**RETOUR À LA LISTE DES RÉSULTATS**

**Présentation INRAE**:
L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

**Environnement de travail, missions et activités**:
**Contexte**

L'arboriculture est un maillon essentiel de l’agriculture française contribuant à une alimentation saine et locale tout en permettant de diversifier les cultures et de stocker du carbone dans les sols. Cependant, ce secteur est fragile et en forte demande d’innovation variétale, notamment pour adapter les variétés au changement climatique et à la réduction des pesticides dans le cadre de la transition agroécologique. Un enjeu important pour y parvenir est de proposer des solutions innovantes pour un phénotypage rapide et précis des ressources génétiques fruitières. Dans ce but, et, dans le cadre du PEPR « Agroécologie et numérique », les équipes des unités de recherche EMMAH, GAFL et AGAP de l’INRAE développent des outils et des méthodes s’appuyant sur les technologies numériques. Outre des développements méthodologiques de traitement des données stéréovision et RVB (Rouge vert bleu) pour accéder à ces traits, le projet PHADA (**P**Hénotypage **HA**ut-débit de la **D**iversité génétique des **A**rbres fruitiers pour une meilleure adaptation au changement climatique) s’intéresse à la fusion des informations, ainsi qu’à la généralisation et la transférabilité des méthodes et des traits entre espèces. Plusieurs approches (apprentissage machine et profond, morphologie mathématique, statistiques) seront combinées. Ce projet s’appuie sur l’acquisition de jeux de données dans des core-collections de trois espèces fruitières d’importance (pêchers, abricotiers, pommiers) comportant chacune plus de 150 génotypes différents, assurant ainsi une représentativité de la variabilité de la floraison et de la structure des arbres par les différences d’âge, d’espèces et d’environnements contrastés. Il vise aussi à établir une cohérence temporelle entre mesures passées (notations visuelles) et phénotypage numérique.

**Activités**
Une tâche d’analyse bibliographique : elle permettra d’identifier les traits d’intérêt et les méthodes déjà développées dans la littérature. Les traits ciblés concerneront la floraison (par exemple, la date, la floribondité, la distribution des fleurs ou des bouquets de fleurs dans l'arbre et sur les rameaux) et l’architecture de l'arbre au sens large (forme et port, [EC(1] enveloppe convexe, volume et croissance de bois, diamètre du tronc, type et répartition de rameaux, densité d'organes associés, angles, surface foliaire).
- L’organisation de campagne(s) expérimentale(s) et la gestion des données acquises: l’étude s’appuiera sur des données déjà acquises par le passé et sera complétée par deux campagnes d’acquisition dans les trois core-collections situées dans le dans le quart Sud Est de la France (Hérault, Gard et Vaucluse). Les acquisitions se feront principalement avec la perche LITERAL développée à CAPTE, équipée de deux caméras RGB en stéréovision. Le/la post-doctorant/e supervisera les deux campagnes d’acquisition et pourra être accompagné(e) par le personnel technique disponible. Le suivi pluriannuel de ces core-collections permettra d’étudier les cinétiques de certains traits (volume de bois par exemple).
- La mise au point des outils d’analyse pour estimer les traits génériques et spécifiques : il s’agira ici de trouver des approches performantes pour l’identification et la quantification des différents organes (bois, fleurs, feuilles, fruits) ou des traits (volume de l’arbre, surface foliaire, etc.). Ces approches allieront des méthodes d’analyse d’images en morphologie mathématique (par exemple détermination d’enveloppes convexes, caractérisation de la distribution spatiale des fleurs ou des rameaux) et en deep learning (segmentation sémantique et d’instance). L’information fournie par la stéréovision (3D) sera utilisée à la fois pour des critères de séparabilité (extraction des arbres dans l’image) et pour quantifier des distances (distribution spatiale des éléments), surfaces (surface de fleur ou de bois), ou des facteurs de forme (diamètre du tronc, volume et port de l’arbre, orientation des branches, etc.). Une part signi