Thèse Grassland Monitoring Using Satellite Remote Sensing And Hybrid ai H/F

Doctorat_Gouv

Établissement : Université de Toulouse
École doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace
Laboratoire de recherche : CESBIO - Centre d'Etudes Spatiales de la BIOsphère
Direction de la thèse : Mathieu FAUVEL ORCID 0000000233046932
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-01T23:59:59

Dans ce projet de thèse, nous visons à approfondir l'intégration de modèles de croissance et de modèles d'IA pour les prairies, en nous appuyant sur des travaux entrepris depuis plusieurs années au CESBIO et à l'UREP. L'objectif est de développer et d'évaluer des approches de modélisation hybride qui combinent des modèles de croissance de prairies et l'intelligence artificielle avec des données de télédétection afin d'améliorer le suivi, la prédiction et la compréhension de la dynamique et de la productivité des prairies. Ce modèle sera utilisé pour étudier la réponse des pâturages et des prairies de fauche au changement climatique sur une ferme expérimentale de l'UREP à l'Herbipôle (INRAE-Laqueuille). Nous déploierons ensuite le modèle pour suivre des parcelles intégrées à l'observatoire des prairies du Massif Central afin de tester la généralité du modèle à grande échelle spatiale sur différents types de prairies.

Plus précisément, le doctorant travaillera sur les objectifs spécifiques suivants :
1. Développer des modèles hybrides couplant un modèle de croissance parcimonieux et l'IA, où les modèles d'IA sont guidés par les sorties du modèle de croissance de prairies. Quantifier les incertitudes et la sensibilité du modèle.
2. Intégrer des données de télédétection multi-sources (optiques, radar et données météorologiques) et réduire la nécessité de données in-situ pour calibrer les modèles d'IA.
3. Améliorer l'estimation de la biomasse et de la productivité et démontrer le potentiel opérationnel pour le suivi des prairies.

La phase de déploiement à grande échelle du modèle sera réalisée dans le cadre du projet M.O.H-NITOR (financé par l'OFB et le Fonds National d'Aménagement et de Développement du Territoire (FNADT)). Ce projet vise à informer et améliorer la compréhension de la dynamique couplée de la biodiversité et du fonctionnement des écosystèmes prairiaux en réponse au changement climatique et aux pratiques agricoles. L'objectif de cette phase est d'intégrer le modèle dans un outil de gestion adaptative des prairies destiné aux agriculteurs et aux conseillers agricoles.

Grasslands cover approximately 40% of continental land areas and about 70% of agricultural land (Suttie et al. Grassland of the World, 2005). These environments provide various ecosystem services (food supply, water filtration, CO2 sequestration, etc.), the levels of which are directly impacted by global changes. The response of these ecosystems to environmental changes is not linear and depends on their biogeographical context (geographic location, climate conditions, biotic factor or human influences) as well as their history. In order to understand the mechanisms of evolution of these environments, it is necessary to have regular measurements over long periods of time.
While long-term monitoring systems, e.g., Long Term Ecological Research (LTER) or Systèmes d'Observation et d'Expérimentation pour la Recherche en Environnement (SOERE), can account for complex dynamics, they are not spatially exhaustive and can lead to biased estimates due to more or less artificial modifications of the environment. It is therefore necessary to complement these systems with other measurement methods. The Sentinel-1 and 2 time series images from the Copernicus program provide data acquisitions across all land surfaces at spatial, temporal, and spectral resolutions suitable for monitoring the phenology and biogeochemical cycles of potentially all grassland ecosystems of the Earth. These data already allow for the automatic annual mapping of land cover at the national scale using artificial intelligence (AI) methods, or the estimation of mowing date in grassland.
However, analyzing the effects of global changes using time series data with AI methods alone presents several limitations. First, for these systems subjected to various sources of perturbation, the possible causes of changes in observed reflectance are difficult to distinguish. For example, the decline in vegetation indices observed in summer in temperate grasslands can be associated with the intrinsic phenology of plants, water stress, and/or management events (mowing or grazing). Second, these inferences from image time series are often restricted to change detection in state-variable trajectories (e.g., biomass), such as the start and end of the growing season. An important next step would be to explicitly infer the drivers of growth limitation (water availability, temperature, radiation).
A research area currently being pursued by the community is the conditioning of AI methods using physical/agronomic models and Earth observation data. For example, in the work of Y. Zerah, a deep neural network was trained to invert the PROSAIL physical model, enabling the automatic estimation of biophysical variables (LAI, Cab, etc.). This approach allows for both the benefit of a theoretical model of the process and the learning capabilities of deep learning methods.
In the case of grasslands, agronomic models using remote sensing exist but require the estimation/inversion of a number of parameters (including LAI, mowing dates, etc.), necessitating field data as discuss in D. A. Luna works.