Ce projet s’inscrit dans la continuité du stage VDPA+

Le projet Robustesse des données et de l’IA vise à mesurer la fiabilité et la robustesse d’un modèle de culture dédié au tournesol lorsqu’il est testé dans des conditions extrêmes, afin de prédire la sensibilité du tournesol aux changements climatiques ainsi que l’évolution de ses bassins de production.

Contexte du projet

Les modèles de prédiction, les algorithmes, l’intelligence artificielle prennent de plus en plus de place dans l’écosystème agricole. Pour les alimenter nous avons besoin de nombreuses données de bonne qualité pour entrainer ces modèles. En plus de cela, les conditions environnementales changent significativement et ont tendance à présenter d’avantage d’événements extrêmes (inondations, fortes chaleurs, périodes sans pluies, etc).
Une question se pose donc : comment nos intelligences artificielles et modèles réagissent dans des conditions extrêmes ? Quelle robustesse peut-t-on leur accorder et comment fusionner toutes les données nécessaires au paramétrage des modèles ?

Le modèle SUNFLO est un modèle de culture dédié à la culture du tournesol. Développé par l’INRAe (Casadebaig, 2011), ce modèle permet de simuler le comportement de la plante de tournesol à l’aide de nombreux paramètres climatiques, de nature du sol, etc. 

La configuration des paramètres de ce modèle repose sur de nombreux jeux de données acquis lors d’essais. Mais le comportement d’un modèle en dehors de sa zone d’apprentissage représente toujours un risque sur la qualité des prédictions.

Le comportement d’un modèle en-dehors de sa zone d’apprentissage représente toujours un risque sur la qualité des prédictions.

Jean-Eudes Hollebecq, Ingénieur nouvelles technologies en agriculture, data science et statistiques à Terres Inovia

Objectifs du projet

• L’objectif principal consiste à mesurer la sensibilité d’un modèle aux donnée d’entrées « extrêmes » notamment hors de la zone d’entraînement du modèle.
• Pour y parvenir, l’idée est de mettre en application un modèle connu et éprouvé tel que SUNFLO afin d’obtenir des résultats de prédictions grâce aux données rassemblées par les partenaires de l’Alliance H@rvest. Le travail de fusion des données est un point central pour illustrer les résultats du stage de Dafa Yumna, qui s’est achevé fin 2023 et dont les résultats sont accessibles sur la page dédiée au projet VDPA+.
• Parmi les exemples de valorisation de ces prédictions, une étude du yield gap visant à mesurer les écarts aux mesures réelles, sera réalisée.

Actions complémentaires à la recherche :

• Mise en pratique d’un cas « délicat » de fusion de données, règles de partage et d’accès à des sources non « ouvertes » provenant de l’alliance et d’autres fournisseurs. Interroger les sources identifiées par Dafa Yumna.

• Participer au processus normalisation AFNOR au nom de l’alliance, faire des retours dans l’alliance et chez certains membres. Utiliser ce « use case » en tant que support de discussion

Résultats attendus du projet

Exemple de produits de valorisation appliqués :

• Une carte de sensibilité du tournesol aux changements climatiques (un ou plusieurs scénarios)
• L’évolution des bassins de production du tournesol