OBJECTIFS DE LA THESE

Pour mener cette tâche de cartographie des services écosystémiques, il est

prévu de recourir à l’intelligence artificielle et à des méthodes de géostatistiques
avancées en raison de la diversité des données à utiliser (données structurées
comme les images ou non-structurées comme le LiDAR, multimodalités,
échelles spatiales et temporelles variées) et de la complexité des liens à extraire.
Il est en effet prometteur de se tourner vers les techniques récentes de réseaux
de neurones profonds pour établir de tels liens et réaliser des cartographies.
L’exploitation de réseaux de neurones convolutionnels [2] dont ceux adaptés
aux données 3D [3] et à la fusion de données [4], ainsi que les Transformers [5]
particulièrement adaptés à la combinaison de données de sources différentes,
seront privilégiés.

Le premier objectif de la thèse vise donc à identifier et caractériser les EBVs

ayant véritablement une influence sur la biodiversité aquatique émergente, de
les cartographier et les combiner pour produire une cartographie de chaque
service écosystémique cité (flux de biomasse, pollinisation, contrôle des
ravageurs de cultures). Un second objectif de la thèse vise à pouvoir extrapoler
les liens estimés sur les 5 sites à des étendues plus vastes, par couplage de
données drones et aéroportées/satellitaires [6]. Cette approche par
changement d'échelle se fera sur la base de données Lidar (drone / lidar IGN
HD), voire de données multispectrales (drone / Sentinel 2). A cet effet, des
méthodes de transfert et/ou d’adaptation de domaine seront explorées.

Le protocole d’acquisition prévoit l’acquisition de données drones en début

(mars / avril) et fin (juin) de printemps 2024, synchrones avec les relevés de
terrain, voire une fréquence temporelle plus importante sur un site d’étude.
Le caractère innovant de la thèse reposera sur (1) l’usage de données drones
multisources (dont des données SWIR, inédites par drone) pour cartographier
les EBVs, (2) le développement et la comparaison de méthodes géostatistiques
et de deep learning pour cartographier les services écosystémiques et (3) le
développement d’une méthode de changement d’échelle pour extrapoler les
résultats.

[1] Pereira, H.M., et al., (2013). Essential biodiversity variables. Science 339, 277–
278. https://doi.org/10.1126/science.1229931.
[2] Li, Z., Liu, F., et al. (2021). A survey of convolutional neural networks: analysis,
applications, and prospects. IEEE transactions on neural networks and learning
systems.
[3] Diab, A., et al. (2022). Deep Learning for LiDAR Point Cloud Classification in
Remote Sensing. Sensors, 22(20), 7868.
[4] Shao, Z., & Cai, J. (2018). Remote sensing image fusion with deep
convolutional neural network. IEEE journal of selected topics in applied earth
observations and remote sensing, 11(5), 1656-1669.
[5] Vs, V., Valanarasu, et al. (2022, October). Image fusion transformer. In 2022
IEEE International Conference on Image Processing (ICIP) (pp. 3566-3570). IEEE.
[6] Alvarez-Vanhard E.G., Houet T., Corpetti T. (2021) UAV & Satellite synergies
for optical remote sensing applications: a review. Science of Remote Sensing,
vol. 3, 14 p. https://doi.org/10.1016/j.srs.2021.100019

ACTIVITES
Les activités du doctorat consisteront à :

 réaliser une analyse bibliographique de la littérature scientifique ;

 caractériser les EBVs pertinentes pour la biodiversité aquatique ;
 développer des méthodes géostatistiques et d’intelligence artificielle pour
la cartographie des EBVs et des services écosystémiques cités ;
 développer une méthode de changement d’échelle par intelligence
artificielle pour extrapoler la cartographie des services écosystémiques ;
 publier les codes (GitHub) et données (FAIRisation) qui seront produits
durant le contrat ;
 rédiger des articles scientifiques présentant les résultats (anglais/français)
;
 rédiger régulièrement des rapports synthétiques: planning, objectifs,
avancement, etc ;.
 rédiger une thèse de doctorat qui sera soutenue à la fin du contrat.

COMPETENCES ATTENDUES
Les candidat(e)s doivent être titulaires d'un diplôme d’ingénieur / master 2 au
minimum en informatique ou géomatique ou autres disciplines (écologie,
agronomie..) démontrant des compétences équivalentes. Sont notamment
requises :

 Des connaissances sur les fondements théoriques en Intelligence

Artificielle et une capacité à avoir un regard critique sur les principaux
éléments (architectures, fonctions de coûts, optimisations associées, …) ;
 Des compétences en algorithmie et développement informatique. Une
bonne maîtrise de python et des bibliothèques de calcul associées
(numpy, scikit, tensorflow/pytorch) est essentielle pour le déroulement de
la thèse ;
  De très bonnes connaissances en télédétection et maîtrise des outils SIG
(QGIS).

Par ailleurs, des connaissances en écologie, écologie du paysage seraient

appréciées car la connexion à ces disciplines est essentielle pour le déroulement
de la thèse.

 Compétences linguistiques : Français, Anglais (lu écrit parlé)

 Qualités rédactionnelles et esprit de synthèse.
 Aptitude au travail en équipe / collaboratif / sur des projets
pluridisciplinaires
 Capacité à travailler dans le respect des règles et procédures
 Autonomie et sens de l’organisation requises

Contexte de travail

Cette thèse, fondamentalement méthodologique mais très appliquée en

écologie, bénéficiera d’un co-encadrement par Thomas Houet (DR CNRS,
Géographe, Télédétection par drone) et Thomas Corpetti (DR CNRS, Intelligence
artificielle, Télédétection), tous deux basés au LETG-Rennes, ainsi que d’un
accompagnement par des écologues (Benjamin Bergerot et Christophe Piscart
du laboratoire ECOBIO à Rennes) et de l’ensemble des partenaires du projet.
Elle s'insère dans les activités et développements scientifiques de la Plateforme
D2T (Drone, Terrain, Télédétection)

Selon le profil du/de la candidat.e, la thèse pourra être inscrite dans l’école
doctorale MATISSE (Mathématiques, télécommunications, informatique, signal,
systèmes, électronique) et/ou ESC (Espace, Sociétés, Civilisations).

Le/la doctorante devra valoriser les travaux sous la forme de publications

scientifiques (en anglais et/ou français), de communications dans des colloques.
Il/elle participera à la publication / valorisation des données via leur FAIRisation.
Le doctorat sera environné par le projet STRANGE.

Contraintes et risques

Déplacements : Les déplacements sur le terrain sont fortement souhaités lors

des campagnes d’acquisition, ainsi que les déplacements liés aux réunions
d’avancement du projet STRANGE regroupant l’ensemble des partenaires.
Conditions: prise en charge partielle des tickets de transport collectif