Spatialisation de l’effet brise-vent des haies – intégration dans un plugin QGIS



Offre de stage : « Spatialisation de l’effet brise-vent des haies – intégration dans un plugin QGIS»

Contexte


Le rôle du bocage et des haies en contexte agricole a été largement étudié ces dernières années, montrant leur apport de services écosystémiques tels que la lutte contre l’érosion hydrique et éolienne des sols, la préservation de la biodiversité et des services associés (Dainese et al. 2017), ou encore la fourniture de ressources énergétiques durables à travers la production de biomasse (Montgomery et al. 2020).

Un des effets bien documentés des haies est le phénomène de brise vent, qui entraîne la création d’une zone protégée de ces derniers (Cleugh, 1998). Cet effet dépend des caractéristiques de la haie, de l’orientation et de la force du vent, et entraîne de nombreuses modifications microclimatiques, jusqu’à des distances de 10 à 15 fois la hauteur maximale de la haie (‘H’), selon sa porosité. La haie influence aussi son environnement proche (2 à 4H) à travers l’interception de la ressource lumineuse et de ressources en eau et nutriments à travers ses racines.

Différentes études menées sur des haies dans plusieurs contextes montrent que les aménagements arborés peuvent avoir des effets négatifs, neutres, ou positifs pour les rendements des cultures. Plusieurs revues de la littérature et études font état de gains de productivité dans la zone protégée en contexte tempéré ou tempéré froid (Nuberg, 1998). Selon les cultures, les pratiques agricoles et les années climatiques, ces gains varient de quelques % jusqu’à 99% (luzerne).

Alors que l’agroforesterie et la haie font l’objet de mesures de soutien pour enrayer leur déclin, il n’existe que très peu de références sur les liens entre haie brise-vent et rendements des grandes cultures pour le territoire français. La complexité des mécanismes à l'oeuvre en lien couplée à la diversité des pratiques agricoles nécessite pourtant des investigations pour mieux comprendre le rôle que ces aménagements jouent, en particulier dans un contexte de changement climatique.

Le stage proposé s'inscrit dans le projet ARBOREOL qui vise à d’étudier l’effet des haies brise-vent sur le comportement des grandes cultures afin d’améliorer sa compréhension, améliorer les pratiques de conception et gestion des haies et cultures associées, et ainsi faciliter leur développement et maintien.


Objectifs


La finalité de ce stage est de spatialiser via des mesures au champ et l’emploi d’outils de télédétection les effets des haies brise-vent sur les composantes du rendement de différents types de grandes cultures.

Le premier objectif de ce stage est ainsi d'implémenter un outil opérationnel qui permette de cartographier l'effet brise-vent des haies en distinguant l'effet local des haies (proximité immédiate des haies autour d'une parcelle) et l'effet paysager du réseau de haies existant.

La spatialisation de l’effet brise vent des haies s’appuiera sur des modèles d’érosion éolienne existants comme le modèle WEPS (Wind Erosion Prediction System) (Vigiak et al. 2003; Hagen 1991) qui nécessite en entrée des données sur la structure de la haie : hauteur moyenne, largeur, porosité apparente, etc. La porosité apparente des haies pourra être caractérisée à partir de relevés terrains.

Le deuxième objectif est de caractériser l'hétérogénéité intra-parcellaire de manière :

• indirecte à l'aide de séries temporelles d'image de télédétection du satellite Sentinel-2 ;

• directe à l'aide de données de rendement spatialisés issus de capteurs embarqués sur des moissonneuses-batteuses.


Missions


Les missions de la personne recrutée sont les suivantes :

1. Implémenter un modèle spatial d'effet brise-vent à échelle locale, i.e autour de chaque haie (3 mois):

  • 1.1. Implémenter le modèle avec Python sous forme de prototype sur un jeu de données test ;

  • 1.2. Implémenter le modèle dans un plugin QGIS en cours de développement : Hedge-Tools ;

  • 1.3. Mettre à jour la documentation du plugin ;

  • 1.4. Tester le modèle et ses sorties sur différents sites d'études ;

  • 1.5. Implémenter d'autres modèles trouvés dans la littérature scientifique (bonus) ;

2. Caractériser l'hétérogénéité intra-parcellaire par télédétection (2 mois) :

  • 2.1. Implémenter un script Python permettant la production d'une série temporelle d'indice de végétation par parcelle agricole ;

  • 2.2. Mise en évidence de zonages ou gradients au sein des parcelles ;

3. Rédaction d'un rapport technique et structuration des travaux pour permettre une reprise en main rapide et efficace par des collaborateurs (1 mois).


En fonction de l'avancée des travaux les missions suivantes pourront être considérées :

4. Implémenter un modèle spatial d'effet brise-vent à l'échelle d'un réseau bocager (quelques kilomètres) en prenant en compte les interactions des haies qui le constituent ;

5. Pré-traitement des données de rendement spatialisées issues de capteurs embarqués.


Profil


Le candidat sera en Master 1 ou 2 (Géomatique, Télédétection) ou en 3ème année d’école d’ingénieur (type ENSG, ESGT ou école d'agronomie avec une spécialisation en géomatique/programmation). Il devra maîtriser les concepts fondamentaux de la géomatique, la télédétection et la programmation orientée objet Python.

Les savoir-faire techniques attendus sont les suivants :

  • en Python :

◦ maîtrise avancée en mode procédurale ;

◦ maîtrise des fondamentaux du mode objet :

  • implémenter un objet simple sous python ;

  • maîtriser les concepts d'héritage et de composition.

◦ connaissances des bonnes pratiques de programmation (PEP 8, docstring etc.) ;

◦ utiliser des classes Python à partir de diagrammes UML ;

◦ la maîtrise de l'API QGIS, notamment celle des plugins QGIS serait un plus ;

◦ la maîtrise de l'outil de versionnage GIT serait également un plus ;

  • maîtrise de QGIS, notamment pour :

◦ adapter la configuration de l’affichage d’une image multi-bandes pour mettre en évidence des occupations du sol d’intérêt ;

◦ savoir identifier une erreur ;

  • télédétection : implémenter des pré-traitements d'images de télédétection optique à l'aide de librairies Python, notamment :

◦ manipuler la géométrie des images ;

◦ sélectionner/créer des primitives d’intérêts (ex. série temporelle de NDVI) ;

◦ appliquer des filtres (majoritaire, gaussien etc.) sur des images ;

des connaissances en agronomie seraient un plus.


Les savoirs-faire organisationnels et relationnels attendus sont les suivants :

  • lecture et synthèse d'articles scientifiques en anglais;

  • capacité de synthèse aussi bien à l'écrit que sous forme de schémas (ex : diagramme de flux) ;

  • gestion de projets :

◦ animer des réunions ;

◦ proposer un plan d'actions;

◦ respecter des échéances ;

◦ rendre compte de l'avancée des travaux ;

  • aptitude à s'intégrer dans un équipe pluri-disciplinaire incluant des experts en:

◦ télédétection ;

◦ agronomie ;

◦ développement.


Conditions de réalisation


Durée du stage : 6 mois (à partir de Mars 2023)

Indemnité de stage : selon barème en vigueur (autour de 570~/mois)


Encadrement :

M. Lang, Maître de Conférences INP-ENSAT (UMR-DYNAFOR)

G. Guebin, ingénieur d'étude INRAE (UMR-DYNAFOR)

D. Sheeren, Maître de Conférences INP-ENSAT (UMR-DYNAFOR)

Collobaration :

G. Marquès, Ingénieur d'étude DYNAFOR/TerraNIS


Lieu du stage :

Laboratoire DYNAFOR - Campus de l'ENSAT

UMR 1201 INRA/INP-ENSAT/INP-EI Purpan

Av. de l’Agrobiopôle, BP 32607 - 31326 Castanet-Tolosan


Pour faire acte de candidature, envoyez une lettre de motivation et un CV détaillé au plus tard le Mercredi 9 décembre 2022 à marc.lang@toulouse-inp.fr pour un entretien la semaine suivante.


Bibliographie

Cleugh, H. A., Miller, J. M., & Böhm, M. (1998). Direct mechanical effects of wind on crops. Agroforestry systems, 41(1), 85-112

Dainese, M., Montecchiari, S., Sitzia, T., Sigura, M., & Marini, L. (2017). High cover of hedgerows in the landscape supports multiple ecosystem services in M editerranean cereal fields. Journal of Applied Ecology, 54(2), 380-388.

Hagen, L. J. (1991). A wind erosion prediction system to meet user needs. Journal of soil and water conservation, 46(2), 106-111.

Montgomery, I., Caruso, T., & Reid, N. (2020). Hedgerows as ecosystems: service delivery, management, and restoration. Annual Review of Ecology, Evolution, and Systematics, 51, 81-102.

Nuberg, I. K. (1998). Effect of shelter on temperate crops: a review to define research for Australian conditions. Agroforestry Systems, 41(1), 3-34.

Vigiak, O., Sterk, G., Warren, A., & Hagen, L. J. (2003). Spatial modeling of wind speed around windbreaks. Catena, 52(3-4), 273-288.



Posts à l'affiche
Posts Récents
Archives