UMR AMAP – Botanique et modélisation de l’architecture des plante
Contact: Marc Jaeger
Description : Identification et classification à partir d’images en biologie et écologie végétales; sciences participatives (cf. plateforme de botanique participative Pl@ntnet en collaboration avec INRIA EPI ZENITH au LIRMM)
Adresse postale : UMR AMAP TA A-51/PS2 (Bât. PS II, Bur. 312) Boulevard de le Lironde
34398 Montpellier Cedex 5 (France)
Description de l’expertise autour de l’IA :
Le thème BIAS – « Biodiversity Informatics and machine learning in Agro Science » à AMAP développe des méthodes automatiques (mobilisant notamment le Deep Learning), et des outils intégrés pour identifier et quantifier des structures biologiques à différentes échelles, à partir de supports visuels dynamiques et multi-sources. Ces méthodes contribuent à investir une multitude de domaines d’intérêt dans les champs de l’Agro-Science en abordant entre autres des questionnements en lien avec l’identification taxonomique ou la distribution des espèces, la sélection des réserves ou la taxonomie intégrative, l’estimation de rendements agricoles et le suivi de la phénologie des plantes, etc. Ces travaux visent à identifier les biais et développer des solutions informatiques pour le traitement de données à grande échelle spatiale et taxonomique. Les questionnements scientifiques sont plutôt méthodologiques, aussi bien sur les fondements de base des algorithmes que sur leur stratégie d’utilisation:
– Comment automatiser l’extraction de connaissances dans les données massives et hétérogènes (Collections d’Histoire Naturelle, sciences participatives, captations autonomes,…) ?
– Comment transposer les techniques de Deep Learning, bien définies sur des données structurées(images), au traitement de données non structurées (maquette 3D, nuage de points LIDAR ou Radar, etc.) pour la détection, l’identification ou la prédiction d’objets ou de concepts ?
– Comment aborder l’articulation modélisation/représentation, et en particulier comment revoir les modèles (de croissance) pour mieux les représenter ?
– Comment adapter le Deep Learning à des problématiques aussi diverses que l’identification des stades de développements ou des maladies des plantes, la génération de Modèles de distribution d’espèces (SDM), la sélection de réserves sous contraintes, ou la réduction des biais dans les modélisations s’appuyant sur des données massives incertaines ?