Détail du poste
Établissement : Université Rennes 2 École doctorale : École doctorale Espaces, Sociétés, Civilisations Laboratoire de recherche : LITTORAL, ENVIRONNEMENT, TELEDETECTION, GEOMATIQUE Direction de la thèse : Laurence MOY Date limite de candidature : 2026-05-17T00:00:00 Face aux enjeux du changement climatique, de l'urbanisation et de l'érosion de la biodiversité, le suivi de la santé des arbres en milieu urbain constitue un enjeu central pour les politiques d'adaptation des territoires. Toutefois, ces diagnostics reposent encore largement sur des expertises de terrain coûteuses, ponctuelles et difficilement généralisables à grande échelle. Dans ce contexte, l'exploitation de données ouvertes et participatives (images 2D, relevés 3D, observations citoyennes), combinées à des données spatiales (Sentinel-2), offre de nouvelles perspectives, tout en posant des défis liés à leur hétérogénéité. Les approches d'intelligence artificielle, et plus particulièrement l'apprentissage auto-supervisé, notamment à travers les architectures de type JEPA (Joint Embedding Predictive Architecture), constituent un levier prometteur pour intégrer ces données sans dépendre fortement de données préalablement labellisées. Cette thèse vise ainsi à développer des méthodes capables de mobiliser des données multimodales afin d'améliorer le diagnostic de la santé des arbres en milieu urbain, en s'appuyant sur une démarche de co-construction avec les acteurs territoriaux (Laboratoire Commun CNRS/UR2 RENNAT). Le projet de thèse bénéficie d'un environnement scientifique et technique structuré, appuyé par plusieurs programmes de recherche en cours (NUMENAT, ANR MONITREE, PEPR Ville Durable - projet NEO, LabCom RENNAT). Ces projets apportent un soutien financier, des jeux de données existants et des terrains d'expérimentation, en lien direct avec les acteurs du territoire, notamment Rennes Métropole. Sur le plan humain, la thèse s'inscrit dans une dynamique interdisciplinaire associant chercheurs en géographie, écologie et intelligence artificielle, ainsi que des ingénieurs en soutient sur les plateformes DT2 (CNRS/UR2) et ECOLEX (CNRS/UR). Elle bénéficie également du soutien du pôle ingénierie du cluster SequoIA, facilitant le développement et l'intégration de solutions en science des données et en intelligence artificielle. Le projet s'appuie sur des dispositifs d'observation labellisés, en particulier le Service National d'Observation Observil et la Zone Atelier Armorique (ZAAr), qui assure un ancrage territoriale, la fourniture de données environnementales de référence ainsi qu'un cadre méthodologique reconnu. Enfin, cette thèse disposera d'un accès à des infrastructures de calcul haute performance, notamment les services du GIP Eskemm Data et le HPC Jean Zay (GENCI), indispensables pour le traitement et l'analyse de données multimodales à grande échelle. Le suivi de la santé des arbres en milieu urbain s'inscrit au coeur des enjeux contemporains liés au changement climatique, à l'urbanisation et à l'érosion de la biodiversité. Les arbres jouent un rôle essentiel dans l'adaptation des villes en fournissant des services écosystémiques majeurs (régulation thermique, qualité de l'air, gestion de l'eau, bien-être). Cependant, leur efficacité dépend directement de leur état sanitaire, dont le suivi reste aujourd'hui limité par des méthodes coûteuses, ponctuelles et difficilement généralisables. Il existe ainsi un besoin croissant de dispositifs permettant un suivi plus continu, à grande échelle et mobilisant une diversité d'acteurs, y compris les citoyens, dans une logique de savoirs partagés. Sur le plan scientifique, ce contexte pose des défis majeurs liés à l'intégration de données hétérogènes issues de sources multiples (images 2D, relevés 3D, données spatiales, observations de terrain). Les approches traditionnelles d'intelligence artificielle, souvent fondées sur des données annotées, peinent à exploiter efficacement cette complexité. L'apprentissage auto-supervisé, notamment les architectures de type JEPA, offre des perspectives nouvelles en permettant de structurer et d'analyser ces données sans dépendre fortement de l'annotation. Ce projet vise ainsi à développer des méthodes innovantes capables de produire des diagnostics robustes et généralisables, au service de la gestion durable des espaces urbains.
Publiée le 05/05/2026 - Réf : 70bad452ef50ce73c6e77dceac1f585a
