Proposition de stage de Master / d'ingénieur

Titre : Caractérisation de la vulnérabilité thermique et hydrique des organes chez des espèces d’arbres fruitiers.  

Présentation du sujet :

Les épisodes de sécheresse et de canicule de plus en plus fréquents constituent une menace majeure pour la pérennité des arbres fruitiers. Si la rupture hydraulique du xylème est reconnue comme un mécanisme central de la mortalité des arbres en condition de sécheresse, les dommages cellulaires induits par les fortes températures jouent également un rôle déterminant, encore mal quantifié. Dans ce contexte, l’équipe THERMEAU de l’UMR PIAF vise à développer de nouveaux cadres expérimentaux et indicateurs permettant de caractériser les vulnérabilités thermique et hydrique des arbres. Le stage de Master s’inscrit dans ce projet et contribuera à la mise au point des protocoles expérimentaux et à l’acquisition de données écophysiologiques sur différentes espèces présentant des niveaux contrastés de tolérance aux stress climatiques.

Objectifs et missions du stage

Le stage vise à caractériser les vulnérabilités thermique et hydrique des organes végétaux chez différentes espèces. Le/la stagiaire contribuera à i) tester et valider des protocoles expérimentaux en conditions contrôlées ; 2) identifier des seuils hydrique et de température associés à des dommages cellulaires ; 3) comparer la réponse de différentes espèces d’arbres fruitiers aux stress thermiques et hydriques. Il/elle réalisera des mesures de température réelle des organes, d’efficience photochimique du PSII (fluorescence chlorophyllienne) et de fuite électrolytique. Le stage inclura également la gestion, l’analyse et l’interprétation des données physiologiques recueillies.

Références bibliographiques de l’équipe en lien avec le sujet :

- Lamacque L, Charrier G, dos Santos Farnese F, Lemaire B, Ameglio T, Herbette S. 2020. Drought-induced mortality: Branch diameter variation reveals a point of no recovery in lavender species. Plant physiol. 183 (4), 1638-1649.

- Lamacque L, Sabin F, Ameglio T, Herbette S, Charrier G. 2022. Detection of acoustic events in Lavender for measuring the xylem vulnerability to embolism and cellular damages. J. Exp. Bot. 73 (11), 3699-3710.

- Andriantelomanana T, Améglio T, Delzon S, Cochard H, Herbette S. Unpacking the point of no return under drought in poplar: insight from stem diameter variation. New Phytol. 242 (2), 466-478

Renseignements et candidatures :

stephane.herbette@uca.fr

Stage de Master II - 2026

Traitement d’images & de données appliqué à la prédiction de la phénologie des arbres fruitiers

La phénologie (floraison, fructification, chute des feuilles…) est un indicateur clé du changement climatique et un enjeu majeur pour la recherche agronomique et la production fruitière. Aujourd’hui, son suivi, par exemple via l’échelle BBCH, repose surtout sur des observations manuelles, longues et sujettes à une certaine subjectivité.

Le traitement d’images et la science des données permettent désormais d’automatiser et fiabiliser cette caractérisation. L’analyse d’indices visuels (couleur du feuillage, intensité florale, etc.) ouvre la voie à de nouveaux outils pour la recherche scientifique et la production frutière.

Le/la stagiaire développera des méthodes innovantes mêlant vision par ordinateur, machine learning et agronomie, à partir de données collectées dans les vergers du réseau DIVAE (https://www6.inrae.fr/divae). Les photos sont prises par des caméras fixées sur des mats pour avoir une vue du dessus avec des variabilités entre sites (hauteur, distance de la prise de vue, type de caméra, fréquence de une à plusieurs photos par jour), et entre images (variabilité des conditions météo…), et dans une image (premier et arrière plan...). Les données phénologiques prédites à partir des images seront comparées aux relevés réalisés sur le terrain.

Missions :

1. Verger de Toulenne (cerisiers, 3 ans d’images) Recalage des images et extraction de variables (couleurs, textures, indices visuels). Développement de modèles de prédiction (statistiques, machine/deep learning). Évaluation des performances et analyse des sources d’erreurs.
2. Verger mixte de Clermont-Ferrand Validation de la méthodologie sur d’autres espèces et conditions. Recommandations pour l’acquisition d’images dans le réseau DIVAE.
3. Extensions possibles (selon avancement) interface graphique, détection de maladies, optimisation de l’acquisition.

Profil recherché :

• Master 2 (ou équivalent) en informatique, data science, traitement d’images, ou agronomie avec les compétences requises
• Compétences en Python (NumPy, Pandas, scikit-learn, PyTorch) et traitement d’images (OpenCV, scikit-image, ImageJ)
• Intérêt pour l’interdisciplinarité (informatique, agronomie, biologie), autonomie et curiosité.

Infos pratiques :

• Lieu : sur site à l’UMR PIAF (site INRAE de Crouel, Clermont-Ferrand), avec passages à l’UMR LISC (campus des Cézeaux).
• Durée : 5 à 6 mois (ajustable) à partir de début 2026 (date de début flexible).
• Gratification : selon réglementation

Candidature (CV + lettre de motivation) et renseignements :

cyril.bozonnet@inrae.fr (Ingénieur UMR PIAF)

thierry.faure@inrae.fr (Ingénieur UMR LISC)

Descriptif-stage-master-II-cyril-bozonnet-2026