Modélisation hybride d'arbre fruitier en 3D associant structure-fonction et deep-learning - Application à la conception de vergers agro-écologiques // Hybrid 3D Fruit Tree Modeling Combining Structure–Function and Deep Learning – Application to the Design

Cette thèse porte sur le développement d'une nouvelle génération de modèles hybrides d'arbres fruitiers en 3D, combinant modélisation structure-fonction (FSPM) et méthodes de deep learning, afin d'améliorer la conception de vergers agroécologiques résilients.

Les modèles FSPM simulent l'interaction entre la structure 3D des plantes, leurs processus physiologiques et l'environnement. Ils sont particulièrement pertinents pour les arbres fruitiers, dont la croissance et la productivité dépendent de dynamiques complexes de compétition interne pour les ressources. Cependant, leur adoption reste limitée par la difficulté à paramétrer ces modèles à partir de données expérimentales, souvent coûteuses et chronophages.

La télédétection et le phénotypage haut débit (imagerie RGB, LiDAR, drones, capteurs thermiques) offrent de nouvelles perspectives pour pallier cette limite. Les données massives issues de ces dispositifs, couplées à l'intelligence artificielle (deep learning, transformers, autoencodeurs variationnels), permettent d'extraire automatiquement des informations structurales et fonctionnelles des arbres. L'objectif est de calibrer et d'enrichir les FSPM afin de générer des « jumeaux numériques » réalistes capables de simuler différents scénarios de croissance et de résilience des vergers.

La thèse se déroulera en plusieurs étapes :
1. Extension des modèles existants (ex. MAppleT via OpenAlea) : génération automatique des structures arborescentes à l'aide de LLM et réseaux neuronaux (transformers, VAE), entraînés à partir de données issues de modèles statistiques calibrés.
2. Intégration de données LiDAR : construction de structures topologiques enrichies d'informations géométriques, permettant de reproduire la diversité des formes observées en verger.
3. Apprentissage par renforcement : calibrage des modèles à partir de données partielles (par ex. scans disponibles en début et fin de croissance, observations intermédiaires par drone), afin de concilier précision et efficacité computationnelle.
4. Application à l'échelle du verger : reconstruction 3D de vergers entiers, simulation de processus biophysiques difficiles à observer directement (interception lumineuse, stress hydrique, distribution des ressources), et exploration de nouveaux traits phénotypiques ou conduites culturales (densité, taille, associations d'espèces).

À terme, ce projet vise à fournir des outils numériques avancés pour concevoir et optimiser des vergers agroécologiques plus durables, en intégrant les contraintes environnementales et en explorant des stratégies innovantes de conduite et de sélection variétale.

Le candidat recherché doit avoir un profil en informatique (deep learning, 3D, Python/C++), avec un intérêt marqué pour l'agronomie et la biologie. L'encadrement sera assuré par des chercheurs du Cirad et de l'Inrae, au sein de l'UMR AGAP et de l'UMR AMAP, en lien avec les projets européens PHENET et GARDENS.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project focuses on developing a new generation of hybrid 3D models of fruit trees, combining functional-structural plant modelling (FSPM) with deep learning approaches, in order to improve the design of resilient agroecological orchards.

FSPMs simulate the interactions between plant 3D structure, physiological processes, and the environment. They are particularly relevant for fruit trees, where growth and productivity depend on complex internal competition for resources. However, their wider adoption is currently limited by the difficulty of parameterizing these models, which requires costly and time-consuming experimental measurements.

High-throughput phenotyping and remote sensing (RGB imaging, LiDAR, drones, thermal sensors) provide new opportunities to overcome this limitation. Massive datasets collected from these technologies, coupled with artificial intelligence (deep learning, transformers, variational autoencoders), make it possible to automatically extract structural and functional information from trees. The aim is to calibrate and enrich FSPMs in order to produce realistic digital twins capable of simulating different scenarios of tree growth and orchard resilience.

The PhD project will unfold in several steps:

1. Extending existing FSPMs (e.g. MAppleT via OpenAlea): automatic generation of tree structures using large language models and neural networks (transformers, VAEs), trained on data from calibrated statistical models.

2. Integration of LiDAR data: construction of topological structures enriched with geometric information, enabling the reproduction of the diversity of tree forms observed in orchards.

3. Reinforcement learning calibration: combining partial datasets (e.g. LiDAR scans available only at the beginning and end of a growth cycle, intermediate drone-based observations) to balance accuracy and computational efficiency.

4. Application at orchard scale: reconstructing full orchards in 3D, simulating hard-to-observe biophysical processes (light interception, water stress, resource distribution), and exploring new phenotypic traits, varieties, and orchard management practices (tree density, pruning strategies, intercropping).

Ultimately, this project aims to deliver advanced digital tools for the design and optimization of sustainable agroecological orchards, integrating environmental constraints and enabling the exploration of innovative strategies for varietal selection and orchard management.

The ideal candidate will hold a Master's degree in computer science or engineering, with strong skills in deep learning (ideally 3D), programming (Python and C/C++), and an interest in biology and agronomy. The project will be supervised by researchers from Cirad and Inrae within the UMR AGAP and UMR AMAP units, in connection with the European projects PHENET and GARDENS.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/11/2025

Financement d'établissement de l'Union Européenne

Université de Montpellier

166 I2S - Information, Structures, Systèmes

- Titulaire d'un master en informatique ou d'un diplôme d'ingénieur avec des compétences en deep learning et idéalement en 3D. - Programmation en Python et C/C++. - Intérêt pour la biologie et l'agronomie.
- Master's degree in Computer Science or Engineering, with skills in deep learning and ideally in 3D - Programming experience in Python and C/C++. - Interest in biology and agronomy.