Apprentissage profond et modélisation multi-espèces pour la cartographie des interactions écolo[...]

Université de Montpellier; France; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une université de recherche propose une thèse sur les services de régulation des arthropodes et l'utilisation de méthodes de deep learning. Le projet inclut la création de modèles multi-espèces et nécessite une formation en informatique ou écologie numérique. Début de la thèse : 01/10/2025.

Qualifications

• Compétences appréciées : SIG et télédétection.
• Expérience avec modèles de processus ponctuels et/ou SDMs.
• Motivation forte pour la recherche à l'interface biodiversité – agriculture – intelligence artificielle.

Responsabilités

• Cartographier les interactions écologiques pertinentes.
• Créer un ensemble de données environnementales et de télédétection.
• Entraîner des modèles de distribution d'espèces (SDMs).
• Utiliser des outils d'IA explicable.

Connaissances

Programmation Python

Frameworks deep learning (PyTorch)

Utilisation de serveurs Linux/GPU

Anglais scientifique écrit

Formation

Master ou diplôme d'ingénieur (Bac+5) en informatique, écologie numérique, télédétection ou disciplines proches

Description du poste

Contexte / Overview

Université de Montpellier

Cette thèse s'inscrit dans le projet EcoControl, qui vise à améliorer la compréhension des services de régulation des arthropodes et à identifier des leviers agroécologiques favorisant la régulation naturelle des ravageurs agricoles en France continentale, en Corse et en Guadeloupe.

L'objectif scientifique central est de développer et déployer des méthodes permettant de cartographier la probabilité d'interactions écologiques pertinentes pour la propagation et la régulation des ravageurs. Pour cela, il s'agira de combiner données de terrain, données opportunistes et enquêtes systématiques avec des approches numériques innovantes, en s'appuyant sur des modèles de distribution multi-espèces basés sur le deep learning (Ryckewaert et al., 2024).

La démarche prévoit :

1. la constitution d'un vaste jeu de données environnementales (OSO, Corine Land Cover, SAFRAN, Worldclim, Landsat, Sentinel),
2. l'entraînement de modèles de distribution d'espèces (SDMs) intégrant observations opportunistes et enquêtes (Isaac et al., 2020),
3. l'intégration d'informations issues de réseaux écologiques pour identifier les zones favorables à des interactions multiples entre cultures, ravageurs et auxiliaires,
4. l'utilisation d'outils d'IA explicable afin de rendre les prédictions interprétables et exploitables par les écologues et agronomes.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD thesis is part of the EcoControl project, aiming to better understand arthropod regulatory services and identify agroecological levers for enhancing natural pest regulation in mainland France, Corsica and Guadeloupe.

Le but est de cartographier la probabilité d'interactions écologiques pertinentes pour la propagation et la régulation des ravageurs en développant des modèles de distribution multi-espèces basés sur le deep learning (SDMs).

Ce travail impliquera :

1. la création d'un ensemble de données environnementales et de télédétection à grande échelle,
2. l'entrainement de SDMs combinant observations opportunistes et enquêtes,
3. l'utilisation d'informations issues de réseaux écologiques pour identifier des zones supportant plusieurs interactions écologiques,
4. l'application d'outils d'IA explicable afin d'améliorer l'interprétabilité et la prédiction probabiliste.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Funding category: Autre financement public

ANR Financement d'agences de financement de la recherche

- Master ou diplôme d'ingénieur (Bac+5) en informatique, écologie numérique, télédétection ou disciplines proches.

- Compétences requises :

• Programmation Python
• Frameworks deep learning (PyTorch)
• Utilisation de serveurs Linux/GPU
• Anglais scientifique écrit

- Compétences appréciées :

• SIG et télédétection
• Modèles de processus ponctuels et/ou SDMs
• Motivation forte pour la recherche à l'interface biodiversité – agriculture – intelligence artificielle