Thèse l'IA pour la Prédiction de la Phénologie des Arbres Fruitiers de Type Prunus au Service des Vergers Diversifiés H/F - Doctorat.Gouv.Fr

Établissement : Avignon Université École doctorale : Agrosciences et Sciences Laboratoire de recherche : GAFL - Génétique et Amélioration des Fruits et Légumes Direction de la thèse : Bénédicte QUILOT ORCID 0000000340951399 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-10T23:59:59 Les producteurs de fruits à noyau sont confrontés à une instabilité économique accrue due aux aléas climatiques et aux échecs de floraison, souvent causés par un manque de froid ou de chaleur. Les modèles phénologiques actuels, insuffisamment précis, limitent la prédiction de l'adaptation variétale aux scénarios climatiques futurs, tandis que les traits de floraison, critiques pour la sélection, restent difficiles à caractériser. Compte tenu des enjeux, de la pression exercée par les acteurs de la filière et du manque d'outils ainsi que de connaissances scientifiques, il devient essentiel de traiter ces questions. L'objectif du projet vise à explorer les nouvelles technologies numériques et élaborer des modèles phénologiques innovants et performants pour prédire la levée de dormance et la floraison dans des conditions climatiques inédites, afin d'anticiper les effets du changement climatique sur la phénologie des arbres fruitiers. Pour y parvenir, il sera nécessaire d'acquérir des données d'estimation de la levée de dormance sur un panel de variétés. Associées à des séries historiques de données sur les dates de floraison, elles permettront de développer une nouvelle génération de modèles, plus performants, qu'ils soient mécanistes ou fondés sur le deep learning. Différentes approches seront testées parmi les plus récentes et innovantes, notamment la modélisation hybride, les modèles d'apprentissage profond adaptés aux séries temporelles climatiques et les stratégies de fusion de données. L'hypothèse méthodologique du projet est que l'intégration conjointe de données climatiques, phénologiques, physiologiques, variétales et génétiques peut améliorer la prédiction des réponses variétales, à condition que ces données soient suffisamment nombreuses, bien qualifiées et évaluées avec des protocoles de validation exigeants. Ces modèles serviront ensuite à caractériser les ressources génétiques pour décrire la diversité existante, identifier des accessions d'intérêt pour les producteurs et/ou pour les sélectionneurs dans un contexte de transition agroécologique. Ils permettront également de concevoir des idéotypes adaptés aux conditions climatiques futures et à identifier les caractéristiques prioritaires à associer dans les nouvelles variétés. Le réchauffement climatique perturbe la dormance et la floraison des arbres fruitiers et notamment des espèces du genre Prunus (pêcher, abricotier, cerisier, prunier), représentant une véritable menace sur la productivité. L'impact le plus visible des températures plus douces en fin d'hiver est une avancée notable des dates de floraison, entraînant un risque plus élevé de dommages par le gel. Par ailleurs, l'augmentation des températures en automne et hiver peut également provoquer des retards de sortie de dormance ou des désordres phénologiques, entraînant d'importantes pertes économiques. Dans ce contexte, la sélection d'idéotypes alliant (i) de faibles besoins en froid, (ii) une forte exigence en chaleur et (iii) une floraison retardée, apparaît comme un enjeu central pour la résilience agroécologique des systèmes fruitiers. De nombreux modèles phénologiques prédictifs, dits classiques, ont été développés pour estimer l'influence des conditions environnementales sur la progression de la phénologie. Si ces modèles sont calibrés uniquement avec les dates de floraison, ils ne permettent généralement pas de prédire avec précision la date de levée de dormance. Fournir la date de levée de dormance ou la quantité de froid nécessaire pour lever la dormance et la quantité de chaleur nécessaire pour déclencher la floraison, permet d'optimiser les paramètres impliqués dans les différents processus et augmente énormément la performance des modèles (Chuine et al., 2016). Toutefois, aucune innovation notable n'a été proposée sur les modèles phénologiques depuis les années 90. Insuffisamment précis, ils ne sont pas mobilisables pour prédire l'adaptation des différentes variétés aux scénarios climatiques futurs. Dans ce contexte, l'intelligence artificielle (IA), et plus particulièrement les approches modernes d'apprentissage automatique et de deep learning, offre une opportunité méthodologique pour dépasser certaines limites des modèles phénologiques actuels. L'apport attendu de l'IA ne réside pas uniquement dans l'utilisation de modèles plus complexes, mais dans la capacité à fusionner des données hétérogènes : séries climatiques journalières, observations de floraison, dates de levée de dormance, informations variétales, données de génotypage et métadonnées site-année. Si ces jeux de données sont suffisamment volumineux, bien harmonisés et représentatifs, leur intégration conjointe peut permettre de mieux capturer les interactions entre climat, génotype et phénologie, aujourd'hui encore difficiles à représenter dans les modèles classiques (cf revue sur l'essor de ces approches en phénologie végétale (Katal et al., 2022)). C'est sans doute le cas de l'interférence probable entre les processus d'accumulation de froid et de chaleur qui est mal prise en compte par les modèles mécanistes. Différentes stratégies peuvent ainsi être envisagée afin d'adapter les approches IA à la prédiction de la dormance et de la floraison, telles que les architectures séquentielles ou les modèles hybrides combinant approches biophysiques et réseaux de neurones. Ensemble, ces stratégies offrent un cadre réaliste, interprétable et généralisable pour la modélisation de la phénologie dans des conditions complexes et changeantes, dans la continuité des preuves de concept déjà publiées (Katal et al., 2022 ; van Bree et al., 2025). Ce projet, articulé autour des approches mécanistes et des outils d'IA avancés, vise à fournir les bases scientifiques nécessaires au développement de modèles phénologiques innovants et performants pour prédire la dormance et la floraison des Prunus dans un contexte de changement climatique. Les prédictions viendront en soutien aux sélectionneurs et producteurs pour concevoir les idéotypes et préparer les vergers du futur.

Scientifiques et techniques : phénotypage, biostatistiques, gestion de jeux de données, modélisation et deep learningCompétences générales : communication scientifique orale, rédaction scientifique, compréhension des enjeux filières productions végétales, gestion de projet et travail d'équipe, esprit analytique et synthétique, encadrement de stagiaires.