SOUTENANCE DE THÈSE

Vous êtes cordialement invités! 

Mardi 20 mai 2026 13h30

Local: PK-2265   

TITRE : Développement de méthodes d'analyse informatique en biovigilance utilisant l'apprentissage profond

Présenté par

Stéphane SAMSON, personne doctorante en informatique cognitive  

RÉSUMÉ

La présente thèse, relevant de la biovigilance et de l'agriculture de précision, porte sur la modélisation et la prévision des maladies fongiques des cultures à partir de données agro-environnementales.  Le secteur agricole a connu, au cours des dernières décennies, des transformations majeures liées à l'intensification de ses pratiques, à l'usage accru d'intrants chimiques et à l'évolution des systèmes de production.  Si ces changements ont contribué à accroître la productivité agricole, ils ont également engendré des effets non intentionnels, tels qu'une diminution de la résistance des cultures aux organismes nuisibles, un déséquilibre des écosystèmes agricoles et l'émergence de souches pathogènes résistantes aux fongicides.  Dans ce contexte, la biovigilance vise à mieux comprendre et anticiper les effets combinés des facteurs biotiques et abiotiques affectant la santé des cultures.  L'augmentation des températures moyennes et les perturbations climatiques résultantes favorisent l'expansion géographique, la survie et la virulence de nombreux pathogènes fongiques, rendant nécessaire le développement de modèles prédictifs performants et versatiles afin de favoriser des stratégies de gestion mieux informées.

 Dans cette perspective, les principes tirés de l'informatique cognitive sont employés afin de rapprocher les modèles d'apprentissage automatique des mécanismes de raisonnement utilisés dans les systèmes d'aide à la décision en agriculture.  Les modèles proposés exploitent les interactions spatiales entre les plantes, les dynamiques temporelles propres à la période de croissance et les mécanismes biologiques et météorologiques propres aux agroécosystèmes, afin de dépasser les limites des approches traditionnelles fondées sur des observations indépendantes.  Nous faisons l'hypothèse que l'intégration de ces représentations au sein de modèles d'apprentissage profond permet d'améliorer la prévision de l'occurrence et de la sévérité des maladies fongiques.

Dans ce manuscrit, nous présentons trois contributions qui s'inscrivent dans cette démarche et visent à faire progresser l'état de connaissances.  La première évalue l'apport des réseaux de neurones à base de graphes pour la prédiction de l'occurrence de maladies fongiques chez l'oignon (Botrytis squamosa), la laitue (Botrytis lactuae), et la carotte (Cercospora carotae), en représentant les champs agricoles sous forme de graphes contenant des plantes individuelles.  La seconde explore l'utilisation du transfert d'apprentissage afin d'améliorer la généralisation de ces modèles entre cultures et pathogènes fongiques, en particulier dans des contextes où les données disponibles sont limitées.  Enfin, la troisième contribution étudie l'impact de différentes méthodes de réduction de dimensionnalité sur les performances de modèles d'apprentissage automatique traditionnels et profonds, pour des tâches de classification et de régression liées à la santé des plantes, mettant en évidence les compromis associés aux différentes approches.

Mots clés : Système d'aide à la décision, Agriculture de précision, Prévision des maladies des plantes, Maladies fongiques, Réseaux de neurones à base de graphes, Apprentissage profond

JURY D'ÉVALUATION

Samuel Foucher, professeur adjoint au département de géomatique appliquée de l'Université Sherbrooke (membre externe)

Fatiha Sadat, professeure au département d'informatique de l'UQAM (membre interne)

Nicolas Merveille, professeur au département d'informatique de l'UQAM (membre interne et président du jury)

Vladimir Makarenkov, UQAM, professeur au département d’informatique (direction de recherche)

Etienne Lord, chercheur en agronomie numérique et IA pour le gouvernement du Canada (codirection de recherche)