Stage Master 2

Intégration d'informations sémantiques pour identifier les variables
essentielles à partir de données textuelles hétérogènes : application à la
Malherbologie

Durée : 5 à 6 mois à partir de février 2020

Encadrement : Sandrine Auzoux (AIDA) et Mathieu Roche (TETIS)

Contact : sandrine.auzoux@cirad.fr et mathieu.roche@cirad

Description :

Les adventices (mauvaises herbes) sont une contrainte majeure de la
production agricole tropicale, induisant des pertes de récoltes de 30
à 80%. Le calage des pratiques de désherbage dans les itinéraires
techniques nécessite une bonne connaissance de leur comportement. Le
développement de l'agroécologie en région tropicale nous amène à
considérer les dimensions négatives et positives des adventices.

Le travail proposé dans le cadre de ce stage au Cirad (TETIS/AIDA)
consiste à proposer et mettre en oeuvre une méthode automatique
d'identification de variables essentielles pour la gestion des
adventices qui implique la mise en place de nouvelles pratiques
agricoles et la mobilisation de la biodiversité. Nous définissons les
variables essentielles comme une combinaison d'éléments
caractéristiques, par exemple le climat, le milieu, la localisation et
le nom vernaculaire.

Le but du stage est d'identifier, par des méthodes de fouille de
textes, les variables essentielles de manière automatique à partir de
données textuelles. Dans l'extrait ci- dessous, les variables
essentielles du pissenlit à extraire sont par exemple une combinaison
de climat tempéré, milieux humides et échelle mondiale.
---
Faire connaissance avec le Pissenlit et ses bienfaits.
L'herbacée, Taraxucum officinale, connue sous le nom de pissenlit,
elle est une plante originaire d'Europe de l'Ouest. Le pissenlit pousse
à l'état sauvage dans les climats tempérés et milieux humides de toutes
les régions du monde, pouvant vivre jusqu'à 2 000 mètres d'altitude.
---

Dans le processus de fouille de textes à mettre en place, deux verrous
scientifiques seront particulièrement étudiés :

- Adapter les méthodes de fouille de textes aux différents types de
données mobilisées (scientifique vs. grand public).

- Intégrer des ressources sémantiques et scientifiques (par exemple,
thésaurus) au processus proposé.

Dans ce cadre, le processus reposera sur 3 grandes étapes qui seront
mises en place et évaluées avec des experts du domaine :

1) Acquisition de données textuelles en anglais par des méthodes
semi-automatiques (web crawling / web scraping). Deux types de
documents seront étudiés : (1) des documents « grand public » issus du
web (blogs, sites touristiques, presse) et ( 2) des publications
scientifiques (articles scientifiques).

2) Extraction de variables essentielles dans ces données par des
méthodes adaptées au domaine de la Malherbologie. Ces méthodes
s'appuieront sur l'intégration de connaissances sémantiques notamment
spatiales (par exemple, Geonames, OpenStreetMap, etc.) et thématiques
(par exemple, Agrovoc, dictionnaire des plantes, etc.)

3) Evaluation de ces informations dans un cadre pluridisciplinaire et
mise en lien avec des bases de données de référence.

Lieu et gratification :

Ce stage basé au Cirad à Montpellier (https://www.cirad.fr/) bénéficie
d'une gratification mensuelle de 580 euros .

Profil : Master 2 ou École d'Ingénieur en Informatique / Science des Données