Stage de master M2 : Phénotypage à haut débit des variétés de blé avec des IoT (Internet of Things)

INRAE Occitanie-Toulouse; Provence-Alpes-Côte d'Azur; On-site; EUR 8,900 - 11,000; Full time

Benefits offered by this job

Congés annuels jusqu'à 30 jours + RTT

Formation et orientation relatives au

Prise en charge partielle de la mutue

Soutien à la parentalité

Chèques vacances et restauration

Job summary

INRAE recrute un stagiaire Master 2 pour travailler sur le phénotage des variétés de blé via des capteurs IoT. Le stage se déroule à Avignon au sein de l’UMR EMMAH, CAPTE et DREAM, avec supervision par Raul Lopez-Lozano et Marie Weiss.

Vous utiliserez Python et des méthodes ML pour estimer le Green Area Index et analyserera les données multi-spectrales sur 6 mois. Le candidat doit avoir un Master en informatique appliquée à l’agriculture, des compétences en Python et en ML, et être capable de

Qualifications

• Master en technologies de l’information appliqués à l’agriculture.
• Expérience dans l’utilisation du langage de programmation Python.
• Connaissance des méthodes de ML.
• Organisation et travail en équipe.

Responsibilities

• Mise en place d’un protocole de calibration radiométrique pour le capteur multispectral de l’IoT.
• Développement d’un algorithme Python pour calculer le GAI à partir des données journalières des IoT.
• Acquisition des données expérimentales de biomasse et des éléments de rendement.
• Application des méthodes d’analyse de séries temporelles pour modéliser les cinétiques de la surface foliaire et le remplissage des grains en fonction de la température.

Skills

Python

Machine Learning

Education

Master en technologies de l’information appliqués à l’agriculture

Job description

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

Phénotypage à haut débit des variétés de blé avec des IoT (Internet of Things) : suivi de la dynamique de la surface foliaire verte et de son lien avec les composants du rendement en fonction de la température post-floraison.

Contexte scientifique

L’amélioration variétale offre des opportunités pour augmenter la variabilité génétique des plantes. Cela représente un énorme potentiel pour l’amélioration des espèces cultivées dans un contexte d’accroissement de la demande alimentaire mondiale et du changement climatique. La contribution réelle de ces avancées pour augmenter la productivité des cultures nécessite d’identifier les liens entre les caractéristiques génétiques des plantes (le génotype) et les processus biologiques qui produisent une réponse différentiée des plantes aux conditions environnementales (le phénotype).

Le phénotypage, c’est‑de‑la‑observation des traits phénotypiques tels que la surface foliaire, densité d’épis ou la taille d’épis, représente une étape essentielle pour établir le lien entre génotype et environnement. Le déploiement ces dernières années des grands équipements pour le phénotypage à haut débit comme la Phénomobile ou les drones et des algorithmes de traitement des données (D’Argaignon et al., 2026; Lopez-Lozano et al., 2026; Yang et al., 2025) permettent aujourd’hui d’acquérir des jeux des données de grand valeur sur des variétés de blé. Cependant, ces grands équipements sont contraints à être utilisés uniquement sur des dispositifs expérimentaux, complexes et couteux, et donc, dans un nombre assez réduit d’environnements.

Des instruments moins lourds, comme les piquets connectés (Internet of Things, IoT), installés dans un réseau d’essais élargi à plusieurs régions, permettraient un suivi automatique journalier des variétés de blé dans des conditions agro-climatiques contrastées. Ce suivi servira à modéliser le comportement des variétés en fonction de l’environnement et à projeter leur rendement dans différents scenarios climatiques. Les prototypes d’IoT développés par INRAE (voir https://www.inrae.fr/actualites/piquets-connectes-innovation-au-service-lagriculture-precision) ont déjà montré leur grand potentiel pour le suivi multi-environmental des variétés de blé. Ils peuvent être associés à des données satellitaires pour augmenter la couverture spatiale du suivi des cultures.

Objectifs et activités du stage

L’objectif De Ce Stage De Master 2 Est La Caractérisation De L’impact De La Température Sur Le Remplissage Des Grains Des Deux Variétés Commerciales De Blé à Partir De L’indice De La Surface Foliaire Verte (Green Area Index, GAI) Estimé Avec Des Piquets Connectés. Cet Objectif Est Décliné Sur Deux Taches.

• Appliquer une méthode précédente développée par l’équipe CAPTE (Li et al., 2024) aux données des capteurs multi-spectraux installés sur les prototypes de piquets connectés d’INRAE.
• Etudier la relation entre la durée et la vitesse de remplissage des grains et la dynamique du GAI sur deux variétés de blé avec des niveaux de précocité différents semées à deux dates sur un essai terrain. Cela permettra de mesurer l’impact de la température post-floraison sur le poids moyen des grains, et de comprendre si la cinétique du GAI après floraison permet d’estimer cet impact de manière non invasive.

Les Principales Missions Du Stage Seront

• La mise en place d’un protocole de calibration radiométrique pour le capteur multispectrale de l’IoT
• La mise en place d’un algorithme sur Python qui permet de calculer le GAI à partir des données journalières des IoT selon la méthode de (Li et al., 2024).
• L’acquisition des données expérimentales de biomasse et composantes de rendement.
• L’application des méthodes d’analyse de séries temporelles aux donnés IoT et manuelles pour modéliser les cinétiques de la surface foliaire verte et le remplissage de grains en fonction de la température.

Environnement de travail

Le stage se déroulera en 6 mois, entièrement à l’UMR EMMAH (Environnement Méditerranéen et Modélisation des Agro-Hydrosystèmes, https://umremmah.fr/ ) sur le site INRAE PACA (Avignon). Le(a) candidat(e) selectionné(e) travaillera au sein des équipes CAPTE (https://umremmah.fr/recherche/equipes/lpa-capte , avec la supervision de Raul LOPEZ-LOZANO et Marie WEISS) et DREAM (https://umremmah.fr/recherche/equipes/equipe-dream, avec la supervision d’André CHANZY).

Références bibliographiques

D’Argaignon, M.-P., Lopez-Lozano, R., Jay, S., Ausset, A., Berthon, B., Burger, P., Chapuis, R., de Solan, B., Grau, A., Larue, F., Le-Roy, R., Marandel, R., Mercier, V., Roy, M., Tison, G., Venault, F., Martre, P., 2026. High-throughput phenotyping of wheat ear surface area and ear density in the field. Plant Phenomics 8, 100199. https://doi.org/10.1016/j.plaphe.2026.100199

Li, W., Weiss, M., Jay, S., Wei, S., Zhao, N., Comar, A., Lopez-Lozano, R., De Solan, B., Yu, Q., Wu, W., Baret, F., 2024. Daily monitoring of Effective Green Area Index and Vegetation Chlorophyll Content from continuous acquisitions of a multi-band spectrometer over winter wheat. Remote Sens. Environ. 300. https://doi.org/10.1016/j.rse.2023.113883

Lopez-Lozano, R., Ma, T., Soma, M., Weiss, M., Ausset, A., Burger, P., Berthon, B., Chapuis, R., D’Argaignon, M.-P., Grau, A., Larue, F., Le-Roy, R., Marandel, R., Mercier, V., Roy, M., Tison, G., Venault, F., Martre, P., Baret, F., 2026. Assessing plant area index and 3D plant area distribution in wheat canopies from a terrestrial LiDAR system for high-throughput plant phenotyping. Remote Sens. Environ. 347, 115711. https://doi.org/10.1016/j.rse.2026.115711

Yang, T., Jay, S., De Solan, B., Li, Y., Zhu, C., Liu, S., Baret, F., 2025. Estimating small-grain cereal plant density at early growth stages using leaf tip density dynamics derived from submillimeter-scale RGB imagery. Comput. Electron. Agric. 239, 111053. https://doi.org/10.1016/j.compag.2025.111053

Le stagiaire participera ponctuellement à l'acquisistion de données sur parcelles expérimentales

Formations et compétences recherchées

Licence/Master (Bac+3/5)

• Master en technologies de l’information appliqués à l’agriculture ou similaire
• Expérience dans l’utilisation du langage de programmation Python
• Connaissance des méthodes de Machine Learning (ML)
• Organisation et travail en équipe

Votre qualité de vie à INRAE

En rejoignant INRAE, vous bénéficiez (selon le type de contrat et sa durée) :

• jusqu'à 30 jours de congés + 15 RTT par an (pour un temps plein)
• de dispositifs de développement des compétences : formation, conseil en orientation professionnelle ;
• de la prise en charge à 50 % de votre cotisation à la complémentaire santé collective ;
• d'un soutien à la parentalité : CESU garde d'enfants, prestations pour les loisirs ;
• d'un accompagnement social : conseil et écoute, aides et prêts sociaux ;
• de prestations vacances et loisirs : chèque-vacances, hébergements à tarif préférentiel ;
• d'activités sportives et culturelles ;
• d'une restauration collective.

Veuillez noter

Les personnes accueillies à INRAE, établissement public de recherche, sont soumises aux dispositions du Code de la fonction publique notamment en ce qui concerne l’obligation de neutralité et le respect du principe de laïcité. A ce titre, dans l’exercice de leurs fonctions, qu’elles soient ou non au contact du public, elles ne doivent pas manifester leurs convictions, par leur comportement ou leur tenue, qu’elles soient religieuses, philosophiques ou politiques. En savoir plus : site fonction publique.gouv.fr