Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

climate --- Triticum aestivum --- nitrogen fertilizers --- Environmental modelling --- Crop modelling --- decision support --- decision support systems --- Groundwater pollution --- Pollution by agriculture --- Dynamic models --- yield forecasting --- Sustainable agriculture

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

L’agriculture est actuellement confrontée à une série de défis pressants tels que le changement climatique, la dégradation des sols et la croissance démographique, qui constituent une menace significative pour la sécurité alimentaire et la durabilité environnementale. Dans le passé, la révolution verte a engendré des gains de productivité grâce à l’utilisation d’intrants et de nouveaux génotypes. Toutefois, l’emploi excessif d’intrants s’avère désormais insoutenable en raison de ses impacts environnementaux et des préoccupations sociétales. Il devient ainsi primordial de concevoir des solutions novatrices permettant d’améliorer les cultures tout en réduisant l’utilisation d’engrais, de pesticides et d’eau. Face à ces enjeux, la sélection variétale joue un rôle essentiel, nécessitant une compréhension globale du comportement des plantes d’un point de vue biologique, physiologique et agronomique. La phénotypage à grande échelle est essentiel à ce processus, car il consiste à caractériser les plantes dans des situations environnementales et de culture diverses, ce qui permet d’identifier des traits d’intérêts pour la sélection et l’optimisation des itinéraires techniques. Alors que le phénotypage manuel est intensif en main-d’œuvre et sujet à la subjectivité humaine, des techniques automatisées basées sur des capteurs sont en développement, visant une caractérisation plus rapide, précise et objective des plantes. Néanmoins, leur déploiement en condition extérieure est restreint par des facteurs tels que le vent, les variations de luminosité et la densité végétale. Durant ces quatre années de recherche, une plateforme mobile de phénotypage a été développée. Elle a été utilisée pour suivre plusieurs essais de blé d’hiver en utilisant deux caméras RVB et une caméra multispectrale. La thèse actuelle se concentre principalement sur le développement de la pipeline d’analyse d’image, avec une utilisation importante d’algorithmes d’intelligence artificielle. Ces méthodes ont permis de détecter les épis de blé pour estimer la densité à l’hectare, d’identifier les dommages liés aux maladies et de quantifier des variables biophysiques telles que la biomasse aérienne, l’indice de surface foliaire et la teneur en azote. Finalement, la temporalité de ces traits estimés a été exploitée pour mieux comprendre le rendement en grains et ses composantes de rendement. Malgré les progrès significatifs dans le domaine du phénotypage automatisé, son adoption par les utilisateurs finaux, notamment les sélectionneurs, demeure limitée. Ainsi, il demeure impératif de sensibiliser les acteurs de l’industrie agricole aux avantages de ces technologies. En adoptant ces nouveautés, ces acteurs auront l’opportunité d’améliorer et d’accélérer leurs efforts pour développer des cultures résilientes, productives et moins impactantes sur l’environnement.