Mots-clés

Spectroscopie proche infrarouge, apprentissage automatique, empilement de modèles, intelligence artificielle, calibration, stacking

Laboratoire d’accueil

UMR AGAP Institut,Avenue Agropolis - 34398 Montpellier Cedex 5 (https://umr-agap.cirad.fr/)

• Directeur de thèse : Fabien Michel (HDR), LIRMM, Équipe SMILE
• Encadrants : Grégory Beurier, CIRAD, AGAP Institut Lauriane Rouan, CIRAD, AGAP Institut Denis Cornet, CIRAD, AGAP Institut

Contexte et problématique de l'étude

La spectroscopie proche infrarouge (NIRS) est une technique d'analyse rapide, non destructive et à faible coût, très largement utilisée dans de nombreux domaines tels que la santé, la chimie, l’agro-alimentaire et notamment l'agronomie. Elle permet de déterminer la composition chimique et les propriétés fonctionnelles d'échantillons de produits tels que les grains, fourrages, aliments, et tissus. Les données spectrales générées par NIRS sont riches en informations mais nécessitent des traitements statistiques avancés pour des prédictions précises. Des méthodes comme la régression PLS ont été historiquement utilisées, mais les avancées en apprentissage machine (réseaux de neurones, SVM, random forest, etc.) et l'accès à d'importantes bases de données NIRS ont permis l'adoption croissante de ces méthodes d'intelligence artificielle, qui démontrent souvent de meilleures performances prédictives.

La démocratisation des spectromètres et l’augmentation croissante d’utilisateurs non spécialistes, au Nord comme au Sud, renforce la nécessité de développer une approche générique et performantes de la calibration de modèles NIRS. Le stacking, méthode qui combine les prédictions de multiples modèles, a démontré son potentiel pour exploiter les forces complémentaires de différents algorithmes et améliorer les performances de prédiction. Cependant, les stratégies de stacking restent sous-explorées pour l'analyse des données NIRS. Dans ce contexte, le package Python Pinard (a Pipeline for Nirs Analysis ReloadeD, https://pypi.org/project/pinard/) développé par l'équipe encadrante fournit une base idéale pour l'implémentation et le test des approches de prédiction à base de stacking.

Lire la suite

[FR] Offre de thèse nirs 2024