Profil Recherche

La transition agroécologique repose sur la valorisation de services écosystémiques dont les dynamiques dépassent les frontières classiquement considérées en agronomie (parcelle et exploitation agricole). Son déploiement doit être pensé à de multiples échelles et notamment, celle du paysage en supposant une coordination spatiale des pratiques agricoles. Bien que plébiscitée, cette approche paysagère de l’agroécologie se heurte à des difficultés majeures : articulation des niveaux d’organisation, complexité des processus agroécologiques, coordination entre acteurs. Même si l’expérimentation territoriale est requise, elle est coûteuse et s’inscrit dans le long terme. Une alternative complémentaire pour explorer le champ des possibles est la modélisation dynamique spatialement explicite pour évaluer in silico des scénarios d’évolutions des pratiques en vue de transformations agroécologiques territoriales économiquement viables. Elle est ici envisagée par l’hybridation de modèles (mécaniste, intelligence artificielle symbolique, apprentissage automatique) et l’exploitation de données hétérogènes (images, relevés terrain, enquêtes, capteurs) avec une adaptation par des techniques d’assimilation. Les caractéristiques de ces données et de ces onnaissances s'éloignent sensiblement des cadres standards de modélisation et d'apprentissage automatique. En plus de leur nature multimodale, les données sont caractérisées par une hétérogénéité dans l'échantillonnage spatio-temporel des grandeurs physiques sous-jacentes. Une autre caractéristique réside dans la disponibilité limitée et la faible qualité de données labellisées. En outre, les connaissances du domaine ne sont pas toujours stabilisées. Ces caractéristiques représentent autant de défis à relever pour le déploiement de modèles spatialisés efficaces et fiables. L’objectif est de fournir un cadre unifié, capable de prendre en compte l’incertain et l’inconnu, dans un contexte de reconception de systèmes sous contraintes variées. Les techniques d'apprentissage robuste, peu ou semi-supervisé, l’apprentissage par renforcement ou l'adaptation de domaine, combinées à des modèles dynamiques, sont alors des opportunités prometteuses qui motivent des recherches très actuelles.

A court terme, le projet de recherche bénéficiera des données interdisciplinaires du laboratoire DYNAFOR sur ses sites d'études à long-terme, en particulier la Zone Atelier PYGAR (données écologiques, agronomiques, imagerie spatiale multi-sources et données socio-politiques locales). Il pourra aussi s’appuyer sur l’expertise du laboratoire IRIT en intelligence artificielle (IA) et sur la dynamique locale soutenue par l’institut interdisciplinaire en IA de Toulouse (IA Cluster ANITI).

A moyen terme, les travaux de cette chaire contribueront au rayonnement de l’établissement et des laboratoires adossés à travers des travaux innovants de portée nationale et internationale, à la frontière entre le numérique (IA, modélisation, traitement d’images) et l’agroécologie des paysages.

Le profil de recherche est donc ouvert à des candidatures issues d’un large spectre scientifique. Le caractère multidisciplinaire du projet est cependant très fort et la volonté de s’inscrire dans une démarche collaborative entre les laboratoires partenaires (IRIT et DYNAFOR) est nécessairement attendue. La personne recrutée contribuera à renforcer les relations entre ces laboratoires et devra être moteur pour entretenir des synergies entre les composantes enseignement et recherche.

Une expérience post-thèse de cinq années est a minima attendue, dans l’un des domaines associés au profil. En fonction de l’étendue de cette expérience, une titularisation dans le corps des Professeur(e) des Universités pourra être envisagée avant la fin de la période de 5 ans.

Profil Enseignement

En plus des activités de recherche, le(la) candidat(e) recruté(e) aura à dispenser des enseignements (64h/an) avant sa titularisation. Le contenu disciplinaire reste ouvert et pourra s’adapter au profil du(de la) candidat(e) en fonction des besoins dans les composantes respectives (ENSAT et/ou ENSEEIHT) de l’établissement.

A propos du contexte d’enseignement

A travers ses écoles ENSEEIHT et ENSAT, Toulouse INP s’est engagé dans la création d’une nouvelle formation transversale inter-établissements de 3ème année de cycle d’Ingénieur en agroécologie et numérique. Cette formation interdisciplinaire et originale vise à former des ingénieurs agri/spatial-data scientists avec des compétences fortes en modélisation et IA dédiées à l’agroécologie, en mettant l’accent sur les risques associés à la transition numérique et la sobriété nécessaire des usages. Ces savoirs hybrides devraient contribuer à former des élèves en capacité d’agir pour transformer le modèle agricole et renforcer l’expertise française dans le domaine de l’AgTech. La formation s’inscrit dans le développement du pôle AGROPOLIS Toulouse et du Campus des Transitions Agroécologiques qui fédèrent les différents établissements de l’enseignement et la recherche dans le domaine agricole. Elle s’appuie aussi sur l’institut ANITI et le projet de formation conjoint Agrinumm avec Centrale Casablanca (ECC, Maroc).

Dotation financière de la chaire

Cette chaire est dotée d’un budget de 200k€ destiné à financer du fonctionnement, de l’équipement et le contrat de collaborateurs ou collaboratrices (stagiaire, doctorant, post-doctorant).

Contacts recherche et enseignement

Nicolas Dobigeon (ENSEEIHT, IRIT) : nicolas.dobigeon@toulouse-inp.fr
David Sheeren (ENSAT, DYNAFOR) : david.sheeren@toulouse-inp.fr