Séminaire Associer un niveau d’incertitude aux prédictions des modèles pour l’agronomie et l’élevage (19 juin 2013)
Résumé de section
-
Séminaire Associer un niveau d’incertitude aux prédictions des modèles pour l’agronomie et l’élevage
19 juin 2013 à ParisAgri-Naples - Amphithéâtre 43-45 rue de Naples 75008 Paris
Métro Villiers (ligne 2 ou 3)Le RMT Modélisation et Agriculture porte ce projet intitulé "Associer un niveau d’erreur aux prédictions des modèles mathématiques pour l’agronomie et l’élevage" qui a débuté le 1er janvier 2010 en bénéficiant d'un financement CASDAR.
Ce séminaire a pour objectif de restituer à une communauté plus large les principaux résultats acquis lors de ce projet et, aussi, de sensibiliser les utilisateurs de modèles aux incertitudes liées aux simulations en découlant.
-
Evaluation et analyse d'incertitude des modèles en agronomie et pour l'élevage. De quoi parle t'on ? Introduction pédagogique et présentation des objectifs du projet.
François Brun (ACTA), Daniel Wallach (INRA), David Makowski (INRA), François Piraux (Arvalis – Institut du Végétal)
Vue d'ensemble des cas d'étude traité selon une grille commune (familles de méthodes).
François Brun (ACTA)
Zoom. Quelle procédure pour calculer l'incertitude associée à des approximations des variables d'entrée d'un modèle de bilan hydrique de la vigne ?
Duo Sébastien Roux (INRA) et Xavier Delpuech (IFV)
Zoom. Estimation de l’incertitude dans les analyses de cycle de vie en élevage : difficulté lié aux nombres de paramètres et apport de l’analyse de sensibilité.
Marion Ferrand (Institut de l'Elevage)
Zoom. Quelles incertitudes sur les prédictions de la biomasse aérienne et du bilan hydrique d’une culture de canne à sucre ?
Philippe Letourmy (CIRAD) et Eric Gozé (CIRAD)
Zoom. Evolution des rendements de culture à différentes échelles : estimation des tendances passées et futures en tenant compte des incertitudes.
David Makowski (INRA), Lucie Michel (ACTA-INRA), François Piraux (Arvalis – Institut du Végétal)
Zoom. Evaluation de l'incertitude lors de l'utilisation d'un modèle pour comparer les stratégies d'irrigation du maïs.
Bernard Lacroix (Arvalis – Institut du Végétal) et François Brun (ACTA)
Présentation des valorisations à disposition de la communauté
François Brun (ACTA)
Discussion avec la salle. Quelles conséquences de la mise à disposition d'informations sur la fiabilité des modèles pour les utilisateurs ? Quel intérêt d’associer un niveau d’erreur aux modèles dans un processus de prise de décision ? Quelles conséquences sur la façon de faire et d'utiliser des modèles pour les Instituts Techniques Agricoles ? Quels sont les bénéfices pour la communauté de ce projet CASDAR ?
Animation : Jacques Wery (Montpellier SupAgro) et Philippe Debaeke (INRA)
-
Resumé
Les modèles de système pour l’agronomie et l’élevage s’imposent de plus en plus comme des outils incontournables pour les chercheurs et ingénieurs du développement agricole. Par modèle de système on entend un modèle qui considère explicitement l’objet modélisé comme un ensemble d’éléments ou de processus qui interagissent, et qui est basé au moins pour partie sur le comportement de ces éléments. Dans certains cas ces modèles sont développés dans les instituts techniques agricole (ITA) pour l’usage des ingénieurs et/ou conseillers, dans d’autres cas ils sont développés dans le cadre de collaborations INRA-ITA. Ils peuvent être utilisés pour fournir des références, pour préparer des avertissements ou pour explorer des scénarios.
Quel que soit le domaine d’application, il est important de bien connaître le niveau de fiabilité des prédictions ou préconisations dérivées des modèles. Les concepteurs des modèles ont besoin d’avoir une estimation de la fiabilité des modèles pour en mesurer la qualité, déterminer l’intérêt ou la nécessité de leur amélioration et ainsi orienter leurs travaux. Les utilisateurs des modèles ont besoin de connaître le niveau de précision des modèles afin de prendre en considération cette information dans l’analyse ou la prise de décision.
L’objectif principal de ce projet est de définir une démarche permettant d’associer un niveau d’erreur aux modèles de système utilisés en agronomie. On considérera une gamme de situations (modèles pour la prédiction, l’aide à la décision ou le diagnostic ; disponibilité d’un jeu de données conséquent ou pas ; informations disponibles sur la qualité de la modélisation des processus individuels ou pas…) et une gamme de questions (niveau moyen d’erreur, intervalle de confiance pour chaque prédiction, effet d’erreurs spécifiques sur l’erreur finale, qualité des préconisations…). On appliquera la démarche à plusieurs cas d’étude concrets qui permettront de confronter les méthodes à des cas d’application réels et d’aboutir à une démarche opérationnelle applicable à d’autres travaux de modélisation.
Ce projet associera statisticiens et modélisateurs, des instituts techniques agricoles et des organismes de recherche agronomique, afin de croiser les réflexions et d’échanger sur les aspects méthodologiques. Il se situe au cœur des problématiques traitées dans le cadre du RMT Modélisation et permet d’aller plus loin en travaillant ensemble pour approfondir ce sujet et proposer des éléments concrets de réponse. La diversité et la complémentarité des domaines d’application, des types d’utilisations et des questionnements considérés par ces différents cas d’étude devraient nous permettre de bien couvrir cette question et de proposer des éléments de réponse pertinents.
Partenariat
Le projet implique directement plusieurs partenaires du RMT modélisation : ACTA, ARVALIS – Institut du végétal, Institut de l’élevage, CTIFL, IFV, CETIOM, ITB, INRA (centres de Toulouse, Montpellier, Grignon, Clermont Ferrand, Rennes), CIRAD, Montpellier SupAgro, APCA
Huit cas d'étude ont été choisis pour représenter la diversité des cas d’utilisation des modèles de système avec des utilisations pour la prédiction, pour l’aide à la décision ou encore pour le diagnostic. Les questions instruites concernent à la fois la qualité des sorties et les conséquences de l’incertitude sur les variables d’entrées ou les paramètres sur les sorties des modèles étudiés.- Cas d'étude 1, modèle de bilan hydrique de la vigne (utilisé comme outil d'aide à la décision, pour le diagnostic et l'expertise).
- Cas d'étude 2, modèle de bilan hydrique (utilisé comme outil d’aide à la décision) et modèle de production de biomasse (utilisé pour la prévision de rendement) de la canne à sucre à la Réunion.
- Cas d'étude 3, modèle bio-décisionnel de culture du maïs (utilisé pour la recherche de stratégies optimales de conduite de l’irrigation en volume limité).
- Cas d'étude 4, analyse de cycle de vie de l’exploitation laitière (utilisé pour faire un diagnostic des impacts environnementaux et identifier des systèmes innovants sur le plan environnemental).
- Cas d'étude 5, modèles technico-économiques du blé tendre (utilisés pour l’optimisation économique des techniques culturales).
- Cas d'étude 6, Outil de prévision des périodes favorables à l’installation et au développement de l’ oïdium du fraisier (utilisé pour la protection raisonnée des cultures).
- Cas d'étude 7, modèle de fonctionnement de l’arbre couplé au développement d’un ravageur foliaire du pommier (utilisé pour la recherche d’architectures défavorables au ravageur et la prévision des impacts du changement climatique).
- Cas d'étude 8, modèle de culture SUNFLO V1 – UMT Tournesol (utilisé pour la simulation de la réponse des variétés de tournesol à l’environnement et à la conduite de culture).