AAP ADAR 2004€¦ · Web viewAnnexe 1 : CV du seul chef de projet Annexe 2 : Tableau des responsables des actions du projet pour chaque organisme, précisant pour chacun le nom,

Appel à projetsd’innovation et de partenariat 2009

Dossier finaliséOrganisme chef de file :Organisme chef de file : ACTADébut : janvier 2010Durée : 36 mois (36 mois maximum)RMT : Modélisation et Logiciels d’intérêt commun appliqués à l’Agriculture

N° manifestation d’intérêt initiale : MI-A 9080

____________________________________________________________________________________TITRE :

Associer un niveau d’erreur aux prédictions des modèles mathématiques pour l’agronomie et l’élevage.____________________________________________________________________________________________

MOTS CLES : Modèle, erreur, incertitude, aide à la décision, utilisateur

ORGANISME CHEF DE FILE :Nom : ACTA, représentée par son Directeur Général Jean-Pierre DARVOGNEAdresse : 149, rue de Bercy, 75595 Paris Cedex 12Téléphone : 01 40 04 50 10 / fax : 01 40 04 50 26Mail (où sera adressée la liste des lauréats) : [email protected]

CHEF DE PROJET :Nom, Prénom : BRUN François, ingénieur en modélisationOrganisme employeur : ACTAAdresse : INRA, ACTA, UMR AGIR, B.P. 52627, F31326 Castanet Tolosan CédexTéléphone : 05 61 28 50 25 / fax : 05 61 73 55 37Mail : [email protected]

____________________________________________________________________________________________

Pièces à joindre au dossier : Annexe 1 : CV du seul chef de projet Annexe 2 : Tableau des responsables des actions du projet pour chaque organisme, précisant

pour chacun le nom, les domaines de compétence et les expériences dans le domaine concerné Annexe 3 : Attestation du RMT d'affiliation Annexe 4 : Lettres d’engagement des partenaires (une lettre de chacun des partenaires précisant

notamment la participation financière prévue)

1

I PRESENTATION GENERALE DU PROJETSujet du projet

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 et de processus qui interagissent, et qui est basé au moins pour partie sur le comportement de ces éléments. Comme exemples on pourrait mentionner des modèles de maladies, qui considèrent les étapes dans la reproduction et la diffusion de la maladie, des modèles de cultures qui considèrent la croissance et le développement de la plante en interaction avec le sol et l’atmosphère, des modèles de cycle de vie qui décomposent le problème en une série d’étapes ou encore des modèles de croissance des animaux qui considèrent les différents processus dans l’utilisation de l’énergie ingérée. 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. Des indications de fiabilité sont particulièrement importantes pour des modèles de système en agronomie ; d’une part ces modèles sont utilisés pour prendre des décisions importantes, d’autre part ils modélisent des systèmes très complexes et donc ont des niveaux d’erreur élevés.

Pour des modèles statistiques classiques, l’estimation de la fiabilité des résultats est une partie importante de l’analyse. Souvent on calcule un intervalle de confiance, qui peut ensuite être systématiquement affiché avec les résultats du modèle. En général, il est difficile de transposer cette approche directement aux modèles de système. L’approche générale pour ces modèles est alors de comparer, dans un certain nombre de cas, prédictions du modèle avec observations et de déduire un niveau moyen d’erreur. C’est pourtant loin d’être satisfaisant. D’abord, le modèle est souvent ajusté aux données. Dans ce cas, le niveau d’erreur constatée représente l’erreur d’ajustement, et sous estime l’erreur de prédiction. Ensuite, il y a rarement une réflexion avancée sur la représentativité des données, malgré le fait que le niveau d’erreur peut être très différent suivant les situations où le modèle est appliqué. De plus, ce n’est pas seulement l’erreur totale qui est intéressante mais aussi des contributions individuelles à l’erreur. Enfin, le niveau d’erreur est rarement affiché avec le modèle. Une fois testé, le modèle est adopté (ou pas) sans plus de mention du niveau d’erreur. Tout cela entraîne un manque de transparence sur la fiabilité de ces modèles qui nuit à leur utilisation pratique.

Il existe, dans la littérature statistique ou la littérature de la modélisation, un ensemble important de travaux sur l’évaluation des modèles de système. Des méthodes permettant d’évaluer les modèles de système ont été proposées, mais le passage des connaissances académiques à une démarche opérationnelle, applicable à des cas réels et adaptée aux différentes situations, reste à réaliser.

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 et en élevage. 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 et qualité des données ; 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 concrets, pour affiner cette démarche et s’assurer de son applicabilité.

Les partenaires de ce projet réunissent d’une part de l’expertise en statistique et en méthodologie de la modélisation, d’autre part une expérience variée avec des modèles et leur utilisation concrète pour le développement agricole. La complémentarité des compétences des partenaires devrait nous permettre de développer une démarche adaptée à un large éventail d’applications et acceptable par un nombre important d’acteurs du domaine considéré.

I.1. Objectifs poursuivis : (soyez bref et précis)A. Déterminer les besoins d’informations sur le niveau d’erreur et sa communication à destination des utilisateurs en fonction des différents cas d’utilisations et des types de modèles.B. Définir une démarche opérationnelle et généralisable pour estimer le niveau d’erreur de prédiction en fonction des besoins. Cela revient à proposer une démarche générale, les méthodes mobilisables et des détails d’application.

2

C. Mettre en œuvre cette démarche avec plusieurs modèles de système utilisés pour le développement agricole.D. Mener une réflexion sur le lien entre mise à disposition de cette information sur le niveau d’erreur et l’utilisation de ces modèles.

I.2. Les enjeux et la motivation des demandeurs (par rapport aux besoins des agriculteurs, de l’agriculture et du monde rural) :Ce projet contribuera à :- Consolider les compétences des ingénieurs des instituts techniques en modélisation.- Améliorer l’utilisation de ces modèles, en rajoutant de l’information importante pour une bonne utilisation. - Permettre aux utilisateurs de porter un regard critique par rapport aux résultats d’outils de modélisation

I.3. Présentation des actionsLes travaux projetés font partie d'une même action qui se décompose en trois volets :Volet 1. Analyse des besoins et définition de la démarche opérationnelle (12 mois)A partir d’une analyse des besoins des utilisateurs, on définira un ensemble de démarches applicables pour les différents cas d’utilisation. Recenser les besoins d’information sur la fiabilité des sorties de modèles en fonction des cas d’utilisation. Définir le cahier des charges avec, notamment, le type d’information et sa présentation à l’utilisateur. Définir la démarche pour évaluer le niveau d’erreur. Mettre en œuvre la démarche avec un modèle de système simplifié à titre d’exemple.Volet 2. Mise en pratique de la démarche et des méthodes sur différents modèles de système (24 mois)La mise en pratique des démarches définies dans le volet 1 se fera sur un ensemble de cas d’étude 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. Ces travaux seront menés en parallèle et de manière coordonnée afin de favoriser les échanges au niveau des questionnements, des méthodologies. 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 le 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).

Volet 3. Synthèse concernant les pratiques d’évaluation et les indicateurs du niveau d’erreur. Conséquences pratiques sur les utilisations des modèles de système. (12 mois)A partir du travail sur les cas d’étude du volet 2, on établira une synthèse des méthodes applicables et des pratiques pour différents cas d’utilisation. Synthèse des différentes méthodes d’évaluation des erreurs de prédiction Synthèse des informations choisies pour indiquer le niveau d’erreur d’un modèle. Réflexion sur les conséquences de la communication d’une information sur l’erreur de prédiction sur l’utilisation

de modèles de système.

Articulations du projet CASDAR avec les travaux du RMT ModélisationOn profitera du RMT Modélisation (Action 2 - thème « Choix de modèle, estimation des paramètres, validation ») pour préparer en amont les travaux et pour valoriser et mutualiser les résultats de ce projet.

3

I.4 PartenariatsI.5.1 Partenaires retenus : partenaires techniques impliqués dans la réalisation du projet (destinataires de financements CAS DAR, avec

lettre d’engagement) : 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

partenaires financiers : Ministère de l’Agriculture et de la Pêche (CAS DAR) et les partenaires techniques.partenaires associés au comité de pilotage du projet : ACTA, ARVALIS – Institut du végétal, Institut de

l’élevage, CTIFL, IFV, CETIOM, ITB, APCA, INRA (centres de Toulouse, Montpellier, Grignon, Clermont Ferrand, Rennes), CIRAD, Montpellier SupAgro

autres partenaires techniques (hors financements CAS DAR)APCA

I.4.2. Préciser les modalités retenues pour le partenariat (par exemple : unité mixte technologique, réseau mixte technologique)Certains partenaires du projet font partie du RMT Modélisation. Des conventions seront signées entre l’ACTA et les différents partenaires.

I.4.3. Evolution du partenariat : (préciser si le partenariat a évolué entre la manifestation d’intérêt initiale et le projet déposé)Le CETIOM se joint au dossier pour bénéficier des réflexions et démarches et propose un cas d’étude intéressant (cas d’étude 8), avec un modèle pour l’évaluation variétale, apportant des questions complémentaires aux autres cas d’étude.L’ITB se joint au dossier pour bénéficier des réflexions et démarches. Ce partenaire essayera d’appliquer la démarche et les méthodes sur ses modèles.Désormais une très grande partie des partenaires du RMT Modélisation se sont joints au dossier.

I.4.4. Inscription éventuelle de ce projet au sein d’un projet plus vaste présenté dans le cadre d’un autre appel à projet. Préciser les autres volets, en expliquant le cadre, l’intitulé, l’organisme porteur, le nom du responsable. Préciser en quoi cela apporte un intérêt supplémentaire en termes de développement agricole et rural pour la partie présentée au présent appel à projet. Expliquer, en l’argumentant, la pertinence et l’intérêt du projet global au regard, d’une part, du sujet traité et d’autre part, du renouvellement souhaité des approches thématiques et des pratiques existantes.

Ce projet est au cœur des préoccupations du RMT Modélisation qui a servi de support à la réflexion pour la construction de ce projet. En particulier, ce projet est en lien direct avec le thème d’approfondissement de l’Action 2 « Choix de modèle, estimation des paramètres, validation ».

4

II- MOTIVATIONS ET INNOVATIONSII.1. Situation actuelle du projet – Etat des connaissances :

- Diagnostic initial.Les travaux menés par le RMT Modélisation ont souligné l’importance de l’évaluation de la fiabilité des

modèles de système et les nombreuses questions que cette évaluation soulève.L’analyse des projets de modélisation (action 1 du RMT) a montré que l’évaluation est une activité présente

dans presque tous les projets, qu’elle consiste en général en une comparaison entre valeurs calculées et observées ou en une comparaison entre préconisations du modèle et autres préconisations et qu’elle peut impliquer un travail expérimental très conséquent (sur plusieurs années).

Des questions par rapport à l’évaluation sont revenues fréquemment dans des groupes de travail (Cf. comptes rendus des différents groupes sur www.modelia.org). C’était le cas pour le groupe « modélisation pour la protection des cultures » qui s’est posé la question de la qualité prédictive et décisionnelle des modèles utilisés pour la protection raisonnée des cultures. Dans ce domaine d’application, la responsabilité juridique des fournisseurs d’outils d’aide à la décision peut être engagée, ce qui souligne d’autant plus l’importance d’afficher un niveau de fiabilité des résultats. Le groupe « expérimentation virtuelle » a distingué les cas où la modélisation complémente l’expérimentation terrain et les cas où l’expérimentation terrain est impossible. Dans les deux cas il est essentiel de connaître la fiabilité des résultats du modèle. Dans le premier cas l’évaluation peut être basée sur une comparaison entre valeurs observées et valeurs calculées mais dans le deuxième cas il n’y a pas d’observations sur le système complet. Comment alors peut-on faire ? Par ailleurs, le thème du RMT intitulé « Choix de modèle, estimation des paramètres, validation », très étroitement lié au projet proposé ici, a été choisi après concertation avec les participants parce qu’il était reconnu comme important et transversal à tous les projets de modélisation. Dans le cadre du RMT on mènera un échange d’expériences et de questionnements concernant ce thème. Cela fournira un point de départ pour ce projet.

- BibliographieComparer valeurs observées et valeurs calculées

Plusieurs articles et revues traitent la question de la comparaison entre observations et valeurs calculées avec un modèle de système (ex. Gauch et al, 2004 ; Wallach, 2006 ; pour la comparaison de modèles, Jamieson et al, 1998). Il s’agit essentiellement de proposer des critères pour mesurer la distance entre valeurs observées et calculées. Erreur de prédiction

En statistique un critère largement utilisé pour mesurer la qualité prédictive d’un modèle est l’erreur quadratique moyenne de prédiction (MSEP pour « Mean Squared Error of Prediction ») (Allen, 1971). Il est important de souligner que l’erreur moyenne entre observations et valeurs calculées (l’ « erreur apparente ») n’est pas nécessairement représentative de l’erreur de prédiction du modèle et, en général, c’est cette dernière qui est d’intérêt. Si les données utilisées pour estimer l’erreur apparente ont été utilisées pour la mise au point du modèle, par exemple dans une phase d’estimation des paramètres, l’erreur apparente ne donne pas une bonne approximation de l’erreur de prédiction. Dans ce cas, on peut utiliser la technique de validation croisée ou du bootstrap pour corriger l’erreur apparente et obtenir une meilleure approximation de l’erreur de prédiction (Efron, 1983). Ces méthodes peuvent s’appliquer à tout modèle, y compris les modèles de système (Wallach et Goffinet, 1987). Néanmoins, les observations doivent être représentatives des situations où le modèle sera utilisé et, si le nombre de données est faible, l’estimation de l’erreur de prédiction sera elle-même très incertaine. Il peut y avoir également des problèmes de temps de calcul.Intervalles de confiance

En statistique, on calcule souvent un intervalle de confiance prédictif, qui indique la fiabilité de prédictions d’un modèle. Dans ce cas, il s’agit d’un niveau d’erreur pour chaque prédiction plutôt qu’une erreur moyenne. Pour un modèle non linéaire, une première approche consiste à faire une approximation linéaire du modèle et d’utiliser la théorie bien connue pour modèles linéaires (Seber and Wild, 1989). Une deuxième approche consiste à estimer l’intervalle de confiance par bootstrap (Efron, 1981).On pourrait en principe appliquer ces approches aux modèles de système. Pourtant, il faudrait faire attention aux hypothèses sous-jacentes, à la représentativité des données et à la quantité de données. Estimer différentes sources d’erreur

Une approche différente consiste à identifier les différentes sources d’erreur et à essayer d’estimer séparément ces différentes erreurs (van Ittersum et al., 2006). Souvent on distingue l’erreur résiduelle (due au fait que les variables explicatives du modèle n’expliquent pas toute la variabilité), les erreurs dans les équations, les erreurs dans les paramètres (par rapport aux meilleures valeurs possibles pour ce modèle) et enfin des erreurs dans les variables explicatives (qui sont mesurées et qui peuvent donc comporter des erreurs).

Souvent on a des informations sur le niveau d’incertitude pour les paramètres ou pour les variables explicatives,

5

et on veut étudier les conséquences de ces incertitudes. L’analyse d’incertitude est le nom donné à l’étude de la variabilité dans les résultats du fait d’incertitudes dans des facteurs (paramètres et/ou variables explicatives). Cela se fait souvent par une méthode Monte Carlo. L’analyse de sensibilité est l’étude de la contribution de chaque incertitude individuelle à l’incertitude globale. Plusieurs approches ont été proposées (Saltelli et al., 2000 ; Monod et al., 2006).

Pour des modèles de système on applique le plus souvent une analyse de sensibilité très simple, où on étudie l’effet d’incertitude pour un seul facteur à la fois (ex : St'astna et Zalud, 1999). Approche bayésiennePlusieurs auteurs ont préconisé l’application de méthodes bayésiennes aux modèles de système (Jansen et Hagenaars, 2004; Bernier et al., 2000). Dans une approche bayésienne, le niveau de connaissance sur les paramètres est décrit à travers une distribution de probabilité pour le vecteur des paramètres. Cette distribution peut être utilisée ensuite pour calculer une distribution de probabilité pour n’importe quelle prédiction du modèle. (On parle d’ « intervalle de crédibilité », qui est analogue à un intervalle de confiance). Pourtant, il y a eu jusqu’ici très peu d’exemples de tels calculs (les travaux de Van Oijen et al. (2005) sont peut être l’exemple le plus abouti). Le temps de calcul est un problème. La vérification des hypothèses sous jacentes, concernant la distribution des erreurs, en est un autre. Kennedy et O'Hagan (2001) ont montré comment combiner estimation des paramètres et estimation des erreurs du modèle dans un cadre bayésien.Qualité des préconisations basées sur un modèle

Lorsqu’un modèle est utilisé pour optimiser des variables décisionnelles, il est utile d’évaluer quantitativement les décisions ou règles de décision préconisées par ce modèle. Une approche possible consiste à définir un critère pour évaluer la règle de décision (en rendement, en euros) puis à estimer la valeur de ce critère. Cette démarche a été appliquée à des règles de décision développées pour la fertilisation (Antoniadou and Wallach, 2002). Lorsque les prédictions d’un modèle sont comparées à un seuil décisionnel afin de choisir entre seulement deux décisions possibles (par exemple traiter ou ne pas traiter suivant le niveau estimé d’une maladie avec un modèle, classer un système de culture ou d’élevage comme acceptable d’un point de vue environnemental ou pas acceptable suivant la valeur calculée par un modèle de lixiviation d’azote), l’approche classique est l’analyse ROC. Cette approche évalue, pour toutes les valeurs possibles du seuil et sur la base d’un jeu de données, la probabilité de prendre la bonne décision et la probabilité de se tromper. Cette approche a déjà été appliquée à des modèles de système d’intérêt agronomique (Barbottin et al., 2008 ; Makowski et al. 2009).

Travaux sur la présentation des résultats.La clarté et la simplicité au niveau de la présentation de résultats de simulation sont des conditions nécessaires

pour qu’un outil d’aide à la décision soit utilisé (Cox, 1996). Il est également important que la présentation des informations sur le niveau d’erreur soit simple et utile.

Une possibilité est d’afficher un niveau d’erreur moyen, ou un intervalle de confiance pour chaque cas. L’expérience dans le domaine des prévisions météo fournit une autre approche. Météo France donne des prévisions à 7 jours en y associant un indice de confiance de 1 à 5. Cet indice de confiance simple est issu d’un travail d’analyse de l’incertitude. Ainsi, la prévision se fait en prenant en compte 51 états initiaux légèrement distincts mais cohérents avec les observations (incertitude sur les variables d’entrée). L’ordinateur simule pour chaque état initial l’évolution de l’atmosphère et délivre 51 prévisions. Le scénario le plus probable est choisi alors par expertise et l’indice de confiance reflète la variabilité des simulations : plus les prévisions sont proches, plus l’indice de confiance accordé sera élevé.

- Expériences déjà conduites par les parties prenantes du projetTravaux des différents partenaires. Lors de leurs travaux de modélisation, les différents partenaires ont déjà été

confrontés à la question de la qualité des prédictions et à la façon de la qualifier. C’est un problème d’autant plus important que la plupart de ces modèles sont utilisés pour des outils opérationnels par les agents du développement agricole pour la prédiction et l’aide à la décision. A ce jour, les partenaires ont des bases de données issues d’expérimentations et de réseaux d’observation importantes permettant de confronter les sorties de ces modèles de système aux observations ou d’avoir de l’information sur les incertitudes des données d’entrées. Les travaux menés dans ce projet s’appuieront sur ces bases de données. Lors de la phase de validation de leurs modèles, les partenaires procèdent déjà à la comparaison des données aux sorties des modèles, mais il y a une réelle attente des partenaires pour des échanges d’expériences, des formations et, surtout, pour avoir une démarche standardisée sur laquelle s’appuyer.

Informations sur les différents modèles étudiés dans le volet 2 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).Lebon, E. ; Dumas, V. ; Pieri, P. ; Schultz, H.R., 2003.Modelling the seasonal dynamics of the soil water balance of vineyards Functional Plant Biology. 30 : 699-710

6

Pellegrino, A. ; Gozé, E. ; Lebon, E. ; Wery, J., 2006 A model-based diagnosis tool to evaluate the water stress experienced by grapevine in field sites European Journal of Agronomy. 25 (1) : 49-59 Payan JC, 2009. Outil d’aide au diagnostic réalisé sur tableur Excel® à l’IFV. 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.Ce cas d’étude s’intéresse à plusieurs questions autour de plusieurs modèles PROBE, OSIRI, MOSICAS et FIELD.Chopart JL, Le Mézo L, Mézino M, 2009. PROBE-w (PROgramme de Bilan de l’Eau): logiciel de modélisation du bilan hydrique dans un sol cultivé. Présentation et guide d’utilisation. Document CIRAD.Chopart J.L., Mézino M., Aure F., Le Mézo L., Mété M., Vauclin M., 2007. OSIRI: A simple decisionmaking tool for monitoring irrigation of small farms in heterogeneous environments. Agric. Water Manage. vol. 87, n°2, 128-138.Martiné J.F., Todoroff P., 2004. Le modèle de croissance MOSICAS et sa plateforme de simuation SIMULEX. Etat des lieux et perspectives. In : La canne une passion à partager : rencontres internationales pluridisciplinaires octobre 2002. [Cd-Rom]. Piton Saint-Leu : Seml Reunion Museo, p. 45. Colloque sur les Perspectives de développement de la canne à sucre en milieu insulaire, 2002-10-02/2002-10-05, Stella Matutina, Réunion.Tittonell P., Corbeels M. van Wijk M.T. and Giller K.E., 2008. FIELD – A summary simulation model of the soil-crop system to analyse long-term resource interactions and use efficiencies at farm scale. Manuscript. 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).Bergez, JE, Charron, MH, 2007. MOUSTICS : Intégration de STICS dans le modèle décisionnel de MODERATO. Séminaire STICS, Reims 20-22 mars 2007, Département EA (eds), 116-118.Bergez, J.-E., Debaeke, Ph., Deumier, J.-M., Lacroix, B., Leenhardt, D., Leroy, P., Wallach, D., 2001. MODERATO: an object-oriented decision model to help on irrigation scheduling for corn crop. Ecol. Model., 137(1): 43-60. 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).Institut de l’élevage, 2009. Evaluation des émissions de GES – description du calculateur et guide de l’utilisateur. Document de travail à usage interne. Institut de l’élevage.Chardon X. (2008). Evaluation environnementale des exploitations laitières par modélisation dynamique de leur fonctionnement et des flux de matière : développement et application du simulateur Mélodie. Thèse AgriParisTech.282 pages.Chardon X., Raison C., Le Gall A., Morvan T. Faverdin P., 2008. FUMIGENE: a model to study the impact of management rules and constraints on agricultural waste allocation at the farm level. J. Agric. Sci. Camb., In press. Cas d'étude 5, modèles technico-économiques du blé tendre (utilisés pour l’optimisation économique des

techniques culturales).Laurent, F., D. Makowski. 2007. Quels sont les effets du prix du blé et de l’engrais azoté? Perspectives Agricoles 339, 46-50. Cas d'étude 6, Outil de prévision des périodes favorables à l’installation et au développement de l’oïdium du

fraisier (sera utilisé pour la protection raisonnée des cultures)Vibert, J., 2005. Modèle Oïdium du fraisier - Version 5. Description du fonctionnement du modèle. Document de travail à usage interne. CTIFL-CIREF. 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).

Sinoquet H, Le Roux X, Adam B, Ameglio T, Daudet FA. 2001. Ratp: A model for simulating the spatial distribution of radiation absorption, transpiration and photosynthesis within canopies: Application to an isolated tree crown. Plant Cell and Environment 24(4): 395-406. Pincebourde, S.; Sinoquet, H. ; Combes, D. ; Casas, J. Regional climate modulates the canopy mosaic of favourable and risky microclimates for insects. Journal of Animal Ecology. 2007, 76 (3) : 424-438. Saudreau M., Adam B., Biron DG., Donès N., Leca A., Scomparin A., Sinoquet H., Simulating microclimates in orchards, a promising prospect to reduce pest and pathogen damages and chemical treatments. Oral communication in Congrès interdisciplinaire organisé par la Fédération des Recherches en Environnement du site clermontois: « Interactions entre les processus physico-chimiques et microbiologiques dans l'environnement », 22, 23 et 24 octobre 2008 - Campus scientifique des Cézeaux- Aubière 63177 – France 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).

7

Casadebaig P., 2008. Analyse et modélisation des interactions génotype - environnement - conduite de culture : application au tournesol (Helianthus annuus). Thèse INP Toulouse.Debaeke P, 2007. La modélisation au service de l’évaluation des performances agronomiques du tournesol. In : Rencontres Techniques Régionales du Cetiom, Auzeville, 16 Dec.2007, pp. 91-96. Casadebaig P., Debaeke P., 2008. Exploring genotypic strategies for sunflower drought resistance by the means of a dynamic crop simulation model. Proc.17th Int. Sunflower Conf., Cordoba (Spain), 8-12 June 2008, Vol.1, pp 369-374.Casadebaig P, Debaeke P, Lecoeur J, 2008. Thresholds for leaf expansion and transpiration response to soil water deficit in a range of sunflower genotypes. European Journal of Agronomy 28, 646-654.Flénet F, Debaeke P, Casadebaig P, 2008. Could a crop model be useful to improve sunflower crop management? OCL - Oléagineux, Corps Gras, Lipides. 15, 158-161.

- RéférencesAllen, D.M., 1971. Mean Square Error of Prediction as a Criterion for Selecting Variables. Technometrics 13, 469-475.Antoniadou, T., Wallach, D., 2002. Evaluating optimal fertilizer rates using plant measurements. Journal of Applied Statistics 29, 1083-1099.Barbottin, A., Makowski, D., Le Bail, M., Jeuffroy, M.-H., Bouchard, C., Barrier, C., 2008. Comparison of models and indicators for categorizing soft wheat fields according to their grain protein contents. European Journal of Agronomy 29, 159-183.Bernier, J., Parent, E and Boreux, JJ., 2000, Statistique pour l'environnement. Traitement bayésien de l'incertitude.Cox P.G., 1996, Some issues in the design of agricultural decision support systems. Agric. Syst. 51, 1-27.Efron, B., 1981. Nonparametric standard errors and confidence intervals (with discussion). Canadian Journal of Statistics 9, 139-172.Efron, B., 1983. Estimating the error rate of a prediction rule: improvement on cross-validation. Journal of American Statistical Society 78, 316-331.Gauch,H.G., Hwang,J.T.G. & Fick,G.W., 2003. Model evaluation by comparison of model-based predictions and measured values. Agronomy Journal, 95, 1442-1446.Jansen, M.J.W. and Hagenaars, T.J., 2004. Bayesian statistics and quality modelling in the agro-food production chain. Dordrecht.Jamieson, P.D., Porter,J.R., Goudriaan, J., Ritchie, J.T., van Keulen, H. & Stol,W., 1998. A comparison of the models AFRCWHEAT2, CERES-Wheat, Sirius, SUCROS2 and SWHEAT with measurements from wheat grown under draught. Field Crops Research, 55, 23-44.Kennedy, M.C., O'Hagan, A., 2001. Bayesian calibration of computer models. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 63, 425-464.Makowski D., Tichit M., Guichard L., van Keulen H., Beaudoin N. 2009. Measuring the accuracy of agro-environmental indicators. Journal of Environmental Management 90, S139-S146.Monod, H., Naud, C., and Makowski, D., 2006. Uncertainty and sensitivity analysis for crop models. In Wallach D., D.Makowski, J.W.Jones, and (eds.), Working with dynamic crop models. Evaluation, analysis, parameterization and applications. Elsevier Amsterdam.Saltelli,A., K.Chan, and E.M.Scott, 2000, Sensitivity analysis (New York).Seber, G.A.F. and C.J.Wild, 1989, Nonlinear regression (New York).St'astna, M., Zalud, Z., 1999. Sensitivity analysis of soil hydrologic parameters for two crop growth simulation models. Soil and Tillage Research 50, 305-318.Van Oijen, M., Rougier, J., Smith, R., 2005. Bayesian calibration of process-based forest models: bridging the gap between models and data. Tree Physiology 25, 915-927.Wallach, D. 2006. Evaluation of crop models. In Wallach D., D.Makowski, J.W.Jones, and (eds.), Working with dynamic crop models. Evaluation, analysis, parameterization and applications. Elsevier Amsterdam.Wallach, D., Goffinet, B., 1987. Mean squared error of prediction in models for studying ecological and agronomic systems. Biometrics 43, 561-573.

II.2. Intérêt social, environnemental, économique, technique, scientifique :Les modèles de système étudiés dans ce projet sont des outils importants pour le développement agricole,

notamment pour les questions environnementales et le conseil agricole. Un verrou essentiel est de bien connaître la qualité de prédiction de ces modèles afin d’en faire un usage à bon escient.

Pour les questions environnementales, les modèles utilisés sont souvent complexes et il y a de nombreux cas où il y a peu de données permettant d’évaluer directement leur qualité prédictive. Il est important d’avoir une

8

estimation de l’erreur associée à ces sorties de modèle afin de pouvoir nuancer les résultats bruts fournis par les modèles.

Au niveau du conseil agricole, les outils d’aide à la décision basés sur la modélisation semblent être des acteurs importants pour améliorer les pratiques, à condition que ces outils soient utilisés et permettent à l’agriculteur de faire ses choix techniques de manière éclairée. Donner plus d’information sur les sorties, en ajoutant un indicateur de fiabilité de la sortie de l’outil va dans ce sens.

L’intérêt scientifique et technique se situe dans la confrontation de connaissances existantes en mathématique appliquée aux questions pratiques du développement agricole pour aboutir à des techniques opérationnelles.

II.3. Originalité du projet (par rapport aux expériences similaires) : en quoi est-il innovant ?Ce projet associera statisticiens et modélisateurs, des instituts techniques agricoles et des organismes de

recherche agronomique, afin de croiser les réflexions et échanger sur les aspects méthodologiques. Une originalité importante du projet est la large gamme d’exemples couvrant une diversité de types d’utilisation qui sera considérée. Ces exemples 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 a pour ambition de développer une démarche qui dépasse les tests ponctuels de validation couramment effectués lors de la mise au point du modèle. Nous proposons de calculer les niveaux d'erreur de prédiction des modèles et de communiquer ces niveaux d'erreur auprès des utilisateurs. Lorsque cela sera possible, nous imaginons pouvoir associer cette information directement aux sorties des simulations à destination des utilisateurs.

La réflexion sur la communication de cette information vers les utilisateurs, en prenant en compte l’utilisation réelle des outils de modélisation, est aussi originale.

II.4. Liens (éventuels) avec les actions du programme de développement agricole et rural 2009 financé par le ministère de l’agriculture et de la pêche : montrer en quoi les actions proposées sont complémentaires mais distinctes des actions prévues dans le programme

Lien avec l’action « Développer les nouvelles techniques d’information et de communication et les outils d'aide à la décision » (ACTION 4.4 du PNDAR 2009), retenue aussi dans le contrat d’objectif 2009-2013 de l’ACTA.

9

III PROGRAMME DE TRAVAIL ET ORGANISATION

III.1. Présentation des actions :Les travaux projetés font partie d'une même action, « Associer un niveau d’erreur aux prédictions des modèles mathématiques pour l’agronomie et l’élevage », qui se décompose en trois volets se succédant dans le temps. Ce projet directement émanant des travaux et réflexions menés dans le cadre RMT Modélisation, nous précisons, à titre indicatif, l’articulation de ce projet avec d’autres travaux menés en amont ou en aval dans le cadre du réseau.

Volet 1. Analyse des besoins et définition de la démarche opérationnelle (12 mois)A partir d’une analyse des besoins des utilisateurs, on définira un ensemble de démarches applicables pour les différents cas d’utilisation. Recenser les besoins d’information sur la fiabilité des sorties de modèles en fonction des cas d’utilisation. Définir le cahier des charges avec, notamment, le type d’information et sa présentation à l’utilisateur. Définir la démarche pour évaluer le niveau d’erreur. Mettre en œuvre la démarche avec un modèle de système simplifié à titre d’exemple.Participants : tous les partenaires, dont l’APCA pour les utilisations pour le conseil agricole.

Travaux 2010 2011 2012

Vol

et 1

. Dém

arch

e • Recenser les besoins d’information sur la fiabilité des sorties de modèle en fonction des cas d’utilisation.

X

• Définir le cahier des charges avec, notamment, le type d’information et sa présentation à l’utilisateur.

X X

• Définir la démarche pour évaluer le niveau d’erreur.

X X

• Mettre en œuvre la démarche avec un modèle de système simplifié à titre d’exemple.

X X X

Calendrier prévisionnel du volet 1. Analyse des besoins et définition de la démarche opérationnelle

Indicateurs de suivi - Nombre d’enquêtes réalisées sur les besoins des utilisateursIndicateurs d’évaluation - Nombre des cas d’utilisation recensés et représentativité de ces cas.- Résultats en terme de démarche - Illustration à partir des exemples

Volet 2. Mise en pratique de la démarche et des méthodes sur différents modèles de système (24 mois)La mise en pratique des démarches définies dans le volet 1 se fera sur un ensemble de cas d’étude 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. Ces travaux seront menés en parallèle et de manière coordonnée afin de favoriser les échanges au niveau des questionnements, des méthodologies. 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). Ce travail s'intéressera à l’impact sur la qualité du diagnostic de : 1) l’initialisation des simulations (incertitude sur la réserve en eau en début de saison) ; 2) l’incertitude sur les entrées (variabilité des quantités de pluies selon le maillage des stations météo ou avec mesures radar) ; 3) la forme du modèle (nombre d’équations, nombres de paramètres) (ex : prise en compte des remontées de la nappe phréatique dans le bilan, paramètres de la réserve utile) ; Participants : IFV (JC. Payan, X. Delpuech), INRA Montpellier UMR System (C. Gary S. Roux, 1 CDD), Montpellier SupAgro (R. Métral, A. Métay, J. Wery)

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. Ce travail s'intéressera aux questions suivantes :1) quel est le niveau d'erreur du conseil de la stratégie d'irrigation proposé par OSIRI? Volume d'eau, fréquence du tour d'eau et date de sevrage.2) quelle est l'erreur de prévision de la production de biomasse à la récolte d'un cultivar de canne à sucre dans un environnement nouveau (année et/ou site)? Quelle erreur fait-on avec MOSICAS, modèle élaboré, et avec

10

FIELD, modèle simplifié?3) quel est le niveau d'erreur tolérable du niveau d'alimentation hydrique de la culture à obtenir avec le modèle PROBE pour pouvoir répondre aux 2 questions précédentes?Participants : CIRAD (JL. Chopart, JF. Martiné, P. Tittonel, E. Gozé, P. Letourmy)

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). Ce travail s’intéressera à :1) l’estimation des paramètres du modèle STICS-Maïs par des méthodes bayésiennes.2) l’utilisation de la distribution obtenue des paramètres, qui représente l’incertitude dans les valeurs des paramètres pour calculer la stratégie optimale et pour évaluer l’incertitude dans les conséquences de la mise en œuvre de la stratégie optimale.Participants : UMT-Eau : ARVALIS (B. Lacroix) et INRA Toulouse UMR AGIR (JE. Bergez, D. Wallach, 1 CDD)

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). Ce travail portera, à partir de la base de données des réseaux d’élevages, sur les estimations au niveau de l'exploitation des niveaux d'erreur:1) des émissions de Gaz à Effet de Serre (CO2, N2O, CH4)2) des indicateurs d’impacts de pratiques agricoles basés sur la méthode ACV.Participants : UMT RIEL : Institut de l’élevage (C. Lopez, M. Ferrand, C. Raison, T. Charroin, JB. Dollé) et INRA Rennes UMR PL (C. Rigolot, P. Faverdin)

Cas d'étude 5, modèles technico-économiques du blé tendre (utilisés pour l’optimisation économique des techniques culturales). Ce travail s’intéressera à :1) l’analyse et la quantification des sources d’incertitude sur les prix du blé et les prix des intrants.2) la prise en compte de ces incertitudes dans l'optimisation économique des techniques culturales (plus particulièrement l’engrais azoté et les produits fongicides).Participants : ARVALIS (F. Laurent, N. Verjux), INRA Grignon UMR Agronomie (D. Makowski, 1 CDD)

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). Ce travail s’intéressera à :1) la confrontation des sorties du modèle aux jeux de données du terrain2) l’intégration de plages d’incertitude liées à l’effet des variations des données climatiques et des systèmes de culture sur les sorties du modèle.3) la communication de ces informations aux utilisateursParticipants : CTIFL (J. Vibert, A. Bardet), INRA Toulouse UMR AGIR (D. Wallach, 1 CDD), ACTA (F. Brun)

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). Ce travail s’intéressera à :1) l’influence de la variabilité des données d’entrée (météo et architecture) sur la variabilité des sorties (fiabilité du modèle).2) la hiérarchisation des paramètres afin d’aller vers un modèle plus simple.Participants : INRA Clermont Ferrand UMR PIAF (Marc Saudreau, stagiaire de Master)

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). Ce cas d’étude permettra d’aborder les questions suivantes :1) l’influence de l’erreur sur l’estimation de la réserve en eau du sol sur les sorties du modèle2) l’intérêt pour la qualité prédictive du modèle d’une prise en compte de paramètres variétaux mesurables (et non de paramètres optimisés pour l’espèce tournesol)3) l’évaluation de la capacité du modèle à discriminer des différences entre variétés par comparaison avec l’approche expérimentale (réseaux variétaux)Participants : CETIOM (L. Champolivier, E. Mestries, JP. Palleau, 1 CDD) et INRA Toulouse UMR AGIR (Philippe Debaeke)

Travaux 2010 2011 2012

Vol

et 2

. • Présentation des cas d’étude X• Définition du programme de travail pour chaque cas d’étude

X

• Travail sur chaque cas d’étude X X X X X X X X

11

Pr ati

qu• Suivi et bilan collectif X X XCalendrier prévisionnel du volet 2. Mise en pratique de la démarche et des méthodes sur différents modèles de système

Indicateurs de suivi - Suivi du programme de travail, pour chaque cas d’étude- Comptes rendus des réunions collectives de suivi et de bilanIndicateurs d’évaluation- Applications concrètes de méthodes- Mise à disposition auprès des utilisateurs d’informations adaptées sur la fiabilité des sorties

Volet 3. Synthèse concernant les pratiques d’évaluation et les indicateurs du niveau d’erreur. Conséquences pratiques sur les utilisations des modèles de système. (12 mois)A partir du travail sur les cas d’étude du volet 2, on établira une synthèse des méthodes applicables et des pratiques pour différents cas d’utilisation. Synthèse des différentes méthodes d’évaluation des erreurs de prédiction Synthèse des informations choisies pour indiquer le niveau d’erreur d’un modèle. Réflexion sur les conséquences de la communication d’une information sur l’erreur de prédiction sur l’utilisation

de modèles de système.Participants : tous les partenaires, dont l’APCA pour les utilisations pour le conseil agricole.

Travaux 2010 2011 2012

Vol

et 3

. Syn

thès

e • Synthèse des différentes méthodes d’évaluation des erreurs de prédiction

X X

• Synthèse des informations choisies pour indiquer le niveau d’erreur d’un modèle.

X X

• Réflexion sur les conséquences de la communication d’une information sur l’erreur de prédiction sur l’utilisation de modèles de système.

X X

Calendrier prévisionnel du volet 3. Synthèse concernant les pratiques d’évaluation et les indicateurs du niveau d’erreur. Conséquences pratiques sur les utilisations des modèles de système. (12 mois)Indicateurs de suivi - Réunions des groupes de travail, comptes rendusIndicateurs d’évaluation - Synthèses

Articulations du projet CASDAR avec les travaux du RMT ModélisationOn profitera du RMT Modélisation (Action 2 - thème « Choix de modèle, estimation des paramètres, validation ») pour préparer en amont les travaux et pour valoriser et mutualiser les résultats de ce projet.Travaux préparatifs pour le projet au sein du RMT Modélisation. Analyse des pratiques actuelles pour évaluer les modèles de système et les besoins des partenaires Valorisation du travail et mutualisation au sein du RMT Modélisation. Séminaire final ouvert à la communauté des modélisateurs. Présentation de la démarche avec exemples. Mise à disposition de la démarche avec les exemples d’applications sur le site du RMT Modélisation.

Travaux 2009 2010 2011 2012 2013RMT Travaux préparatifs X X X X

Proj

et

casd

ar Volet 1. Démarche X X X XVolet 2. Pratique X X X X X X X XVolet 3. Synthèse X X X X

RMT Valorisation/mutualisation X X X XCalendrier prévisionnel du projet et articulation avec les travaux du RMT Modélisation.

Indicateurs de suivi - Participation aux séminairesIndicateurs d’évaluation - Diffusion des résultats à la communauté des modélisateurs du domaine agronomique et de l’élevage.

12

III.2. Equipes techniques mobilisées : présentation par organisme (chambre, institut technique,…) et par action le cas échéant :

Partenaires Responsable de l’unité technique

Nombre de mois par catégorie

Institut Technique AgricoleACTA Pilotage du dossier (animation et administratif)

François BRUN 4 mois ingénieur

ACTA François BRUN 10 mois ingénieurARVALIS - Institut du végétal François Piraux

François LaurentNathalie VerjuxBernard Lacroix

6 mois ingénieur

Institut de l'élevage Carlos LopezMarion FerrandChristelle RaisonThierry CharroinJB Dollé

8 mois ingénieur

CTIFL Jérôme VibertAlain Bardet

3 mois ingénieur

IFV Jean-Christophe PayanXavier Delpuech

4.5 mois ingénieur

CETIOM Luc ChampolivierJean-Pierre PalleauEmmanuelle Mestries

2 mois

ITB Agnès ChampeilFabienne Maupas

4 mois

Organisme publicINRA Toulouse Daniel Wallach

Jacques-Eric BergezPhilippe DebaekeCDD, cas d'étude 6CDD, cas d'étude 3

8 mois chercheur 18 mois ingénieur

INRA Grignon David MakowskiCDD, cas d'étude 5


INRA Clermont Ferrand Marc SaudreauStagiaire, cas d'étude 7


INRA Montpellier Christian GarySébastien Roux


Montpellier SupAgro Raphaël MétralJacques WeryAurélie MétayCDD, cas d'étude 1

1 mois professeur2 mois ingénieur9 mois ingénieur

CIRAD Jean-Louis ChopartJean-François MartinéPablo TittonelEric GozéPhilippe Letourmy

6 mois ingénieur

Autres participationsAutres (INRA, APCA) Samuel Buis

Hervé MonodPhilippe FaverdinLudovic BrossardHélène RaynalVirginie Parnaudeau

expertise, pilotage, participation ponctuelle(éventuellement prise en charge de déplacements)

13

Vincent Clanet

III.3. Organisation prévue, rôle de chaque partenaire technique (présentation par action le cas échéant) :

Partenaires RôlesACTAFrançois Brun(4 mois)

- Pilotage général du dossier, animation et aspect administratif- communication vers l’extérieur

ACTAFrançois Brun(10 mois)

- Mise en pratique des méthodes sur l’exemple- Mise en pratique de la démarche et des méthodes sur les cas d'étude 6- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

ARVALIS - Institut du végétalFrançois PirauxFrançois LaurentNathalie VerjuxBernard Lacroix(6 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 3- Mise en pratique de la démarche et des méthodes sur le cas d'étude 5- Aide à l’animation du projet- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

Institut de l'élevageCarlos LopezMarion FerrandChristelle RaisonThierry CharroinJB Dollé(8 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 4- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

CTIFLJérôme VibertAlain Bardet(3 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 6- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

IFVJean-Christophe PayanXavier Delpuech(4.5 mois)


CETIOMLuc ChampolivierJean-Pierre PalleauEmmanuelle MestriesCDD, cas d'étude 8(11 mois)


ITBAgnès ChampeilFabienne Maupas (4 mois)

- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

INRA ToulouseDaniel WallachJacques-Eric BergezPhilippe DebaekeCDD, cas d'étude 6CDD, cas d'étude 3(26 mois)

- Mise en pratique de la démarche et des méthodes sur les cas d'étude 3, 6 et 8- Aide à l’animation du projet- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

INRA GrignonDavid MakowskiCDD, cas d'étude 5(10 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 5- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs

14

- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

INRA Clermont FerrandMarc SaudreauStagiaire, cas d'étude 7(7 mois)


INRA MontpellierChristian GarySébastien Roux(2 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 1- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

Montpellier SupAgroRaphaël MetralAurélie MétayJacques WeryCDD, cas d'étude 1(12 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 1- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

CIRADJean-Louis ChopartJean-François MartinéPablo TittonelEric GozéPhilippe Letourmy(6 mois)

- Mise en pratique de la démarche et des méthodes sur le cas d'étude 2- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs- Bilan collectif sur les méthodes- Bilan collectif sur la mise à disposition de l’information

Autres partenairesdont INRA, ITB, CETIOM, APCA

- Apport méthodologique en statistique- Aide à la mise en pratiques de méthodes existantes- Analyse des besoins des utilisateurs

III.4. Nature, composition et modalités de fonctionnement de(s) l’instance(s) de pilotage :Le suivi du projet sera assuré par le chef de projet et des participants les plus impliqués à l’aide de réunions régulières rassemblant les partenaires impliqués dans les travaux en cours et fera l’objet d’une information à destination de l’ensemble des partenaires. Un espace de travail collaboratif dédié à ce projet sera créé sur www.modelia.org, le site du RMT Modélisation.Les réunions plénières, à des moments clefs du projet, permettront à l’ensemble des participants de se rencontrer afin de programmer les travaux à venir et discuter des résultats disponibles.Le comité de pilotage, rassemblant les représentants des principaux partenaires, se réunira à ces mêmes moments clefs du projet pour valider le programme proposé et examiner les résultats de l’année précédente.Ce pilotage se fera en concertation avec l’animation du RMT Modélisation.

Travaux 2010 2011 2012

Pilo

tage Réunion de suivi (physique ou téléphonique) X X X X X X X X X X X X

Réunion plénière (physique) X X X XRéunion du Comité de pilotage (physique) X X X X

Calendrier prévisionnel des réunions pour le pilotage du projet

Moments clefs du projet : - début 2010 : lancement du projet- début 2011 : fin du volet 1 (démarche) et début du volet 2 (cas d’étude)- début 2012 : fin du volet 2 (cas d’étude) et début du volet 3 (synthèse)- fin 2012 : fin du projet

III.5 Modalités d’évaluation du projetL’évaluation du projet sera effectuée par le comité de pilotage, dont une mission sera de contrôler que les travaux sont bien orientés et que les objectifs sont atteints. En cas de nécessité, le comité de pilotage

15

http://www.modelia.org/

pourra renforcer sa procédure d’évaluation. Les travaux seront évalués sur la base des différentes publications de vulgarisation et scientifique (article dans une revue à facteur d’impact, article dans une revue sans facteur d’impact, communication, document de formation…), les logiciels réalisés (déposés ou non), ainsi que les rapports des différents cas d’étude.

- indicateurs techniques- Nombre des cas d’utilisation recensés et représentativité de ces cas.- Résultats en terme de démarche - Illustration à partir des exemples- Applications concrètes de méthodes sur les cas d’étude- Mise à disposition auprès des utilisateurs d’informations adaptées sur la fiabilité des sorties- Diffusion des résultats à la communauté des modélisateurs du domaine agronomique.

- indicateurs économiquesSans objet vis-à-vis de l’objectif du projet, mais le travail peut aboutir à une meilleure utilisation des modèles ayant pour conséquence potentiellement une meilleure rentabilité pour les agriculteurs (économie d’intrants par exemple).

- indicateurs environnementauxSans objet vis-à-vis de l’objectif du projet, mais le travail peut aboutir à une meilleure utilisation des modèles ayant pour conséquence potentiellement une réduction des intrants, dans le cadre d’une agriculture raisonnée (diminution de la pollution diffuse liée à une meilleure gestion des intrants).

16

IV COMPTE PREVISIONNEL DE REALISATION DU PROJETIV.1 Compte prévisionnel détaillé par action (établir un seul tableau par action pour toute la période correspondant au financement du CAS DAR sollicité) :

Désignation des partenaires par catégorie

Coût total En Euros

Temps, techniciens, ingénieurs et chercheurs (en mois)

Aide sollicitée CAS DAR en Euros

Autres concours financiers publics et privés obtenus ou en cours (*)

Auto-financement (dont produits de prestations ou de ventes liées au projet)

Pilotage du projet (préciser l’organisme)ACTA 44 000 4 mois d’ingénieur 22 000 22 000Missions confiées à un ou plusieurs ICTAACTA 110 000 10 mois d’ingénieur 55 000 55 000sous-traitance 17 000 6 mois d'expertise 17 000 0IE 74 952 8 mois d’ingénieur 37 476 37 476IFV 43 560 4,5 mois d’ingénieur 21 780 21 780ARVALIS 56 490 6 mois d’ingénieur 28 245 28 245CTIFL 39 640 3 mois d’ingénieur 19 820 19 820ITB 37184 4 mois ingénieur 18 592 18 592CETIOM 37293 9 mois d'ingénieur CDD 37 293 0

24136 2 mois d'ingénieur 3 620 20 516Fonctionnement 6600 990 5 610Missions confiées à un ou plusieurs organismes de recherche publique (préciser lesquels et détailler …)INRA Toulouse (col. Arvalis) 30150 9 mois d'ingénieur CDD 30150 0INRA Toulouse (col. CTIFL) 30150 9 mois d'ingénieur CDD 30150 0salaire public 65702 6 mois DR1, 2 mois DR2 0 65702Fonctionnement (tout INRA) 45000 22500 22500INRA Grignon (col. Arvalis) 30150 9 mois d'ingénieur CDD 30150 0salaire public 5563 1 mois CR1 0 5563

INRA Montpellier, salaire public 12193 1 mois DR2, 1 mois ingénieur 0 12193INRA Clermont Ferrand 4200 6 mois ingénieur stage 2100 2100salaire public 5508 1 mois CR1 0 5508Montpellier SupAgro (col. IFV) 30150 9 mois d'ingénieur CDD 30150 0salaire public 8643 1 mois professeur 0 8643salaire privé (CDD) 6400 2 mois d'ingénieur 0 6400Fonctionnement 10000 5000 5000CIRAD Montpellier, salaire privé 50000 6 mois d'ingénieur 25000 25000Fonctionnement 10000 5000 5000

Total hors salaires publics 737 055 € 442 016 € 295 039 € Total Salaire public 97 609 € - € 97 609 € Total Général 834 664 € 442 016 € - € 392 648 €

Remarques :1) Les CDD feront l’objet de collaborations (col. dans le tableau) fortes entre l’INRA un ITA partenaire (UMT pour le CETIOM et ARVALIS, proximité géographique pour l’IFV et INRA de Montpellier, le CTIFL et l’INRA de Toulouse ou ARVALIS et l’INRA de Grignon). Ils seront encadrés conjointement par les chercheurs et ingénieurs de l’INRA et l’ITA concerné.2) Pour l’INRA, le budget de fonctionnement sera réparti entre les centres de Toulouse, de Grignon, et de Clermont Ferrand.3) Pour l’ACTA, la sous-traitance correspond au financement de la participation de Daniel Wallach en tant qu’auto entrepreneur. Il ne sera plus agent INRA à partir du 1er juillet 2011 (départ à la retraite).

17

IV.2. Tableau récapitulatif par action (à n’établir que s’il y a plusieurs actions) :

Titre des actions Total généralCoût total en € 834664Dont total hors salaire public

737055

Dont total salaire public

97609

Aide sollicitée CAS DAR

442016

Autres concours financiers

0

Autofinancement 392647

IV.3. Tableau récapitulatif par partenaireNom des partenaires ACTA IE IFV ARVALIS CTIFL ITBCoût total en € 171000 74952 43560 56490 39640 37184Total hors salaire public

171000 74952 43560 56490 39640 37184

Total salaire public 0 0 0 0 0 0Aide sollicitée CAS DAR 94000 37476 21780 28245 19820 18592Autres concours financiers

0 0 0 0 0 0

Autofinancement 77000 37476 21780 28245 19820 18592

Nom des partenaires(suite)

CETIOM INRA Montpellier SUPAGRO

CIRAD Total général

Coût total en € 68029 228615 55193,3333 60000 834664Total hors salaire public

68029 139650 46550 60000 737055

Total salaire public 0 88965 8643 0 97609Aide sollicitée CAS DAR 41903 115050 35150 30000 442016Autres concours financiers

0 0 0 0 0

Autofinancement 26125 113565 20043 30000 392647

18

V – RESULTATS ATTENDUS ET SUITES DU PROJET (soyez bref et précis)

V.1 Difficultés que pourrait rencontrer le projet et moyens d’y répondre :- Des contraintes liées à la forme informatique des modèles pour certains cas étudiés pourraient éventuellement limiter les ambitions affichées.

V.2 Résultats attendus :- Acquisition de nouvelles compétences par les participants sur l’estimation du niveau d’erreur.- Typologie, à partir des cas d’étude, des contextes d’utilisation et des besoins d’information sur la fiabilité des modèles- Information sur le niveau d’erreur de prédiction pour les modèles étudiés.- Démarche opérationnelle et généralisable, sous forme d’un guide décrivant la démarche générale, les méthodes mobilisables et des détails d’application, permettant une mise en œuvre réelle sur d’autres modèles non étudiés dans le cadre de ce projet.

V.3 Valorisation et communication prévues (sur le projet, sur les résultats) :Renseigner clairement les publications, séminaires, formations, autres modes de valorisation qui seront mis en œuvre, en précisant le public cible, les échéances.La valorisation et la communication se feront dans le cadre du RMT Modélisation qui permettra de mutualiser ce travail sur des cas d’étude et la démarche opérationnelle qui résulte de ce travail.Valorisation- Enrichissement de la base de connaissance et d’expérience du RMT ModélisationGrille besoins d’information sur le niveau d’erreur en fonction des principaux types de problèmes- Actions de formationFormations sur la démarche et les méthodes mobilisablesSupport pour la formation pour l’illustration de la démarche et l’application de méthodes particulières- Articles de vulgarisation et articles scientifiquesArticle sur la démarche à adopter en fonction des cas d’utilisationArticle sur les informations sur le niveau d’erreur à destination des utilisateursArticle(s) sur l’application de la démarche à des cas réelsArticle de réflexion sur les conséquences de l’information sur le niveau d’erreur.

Communication- Au moins deux séminaires (lancement et suivi du projet) ouverts à un public plus large- Colloque final pour rendre compte des résultats.

V.4 Amélioration attendue et valorisation ultérieure des compétences :Les améliorations attendues se situent à la fois au niveau :- de l’évaluation de la fiabilité des sorties des modèles par les concepteurs de modèles.- de l’utilisation des modèles, que ce soient les modèles destinés aux activités de recherche appliquée ou pour l’aide à la décision.

V.5 Évolution attendue des compétences de l’organisme porteur du projet, ainsi que celles des partenaires associés :Pour l’ACTA, ce projet permettra d’élargir ses compétences et son expertise sur des modélisations ou approches de modélisation (déterministes, statistiques) développés au sein des organismes partenaires du projet et de renforcer les compétences en méthodologie de la modélisation des systèmes, en cohérence avec sa forte participation au RMT Modélisation.Les travaux dans ce projet permettront d’acquérir ou de renouveler les compétences des partenaires en matière de validation des modèles de système en les formant aux méthodes d’estimation du niveau d’erreur et d’analyse d’incertitude et en travaillant sur les cas d’étude. Les partenaires seront amenés à utiliser leurs compétences par la suite dans leurs projets actuels et futurs de modélisation.

V.6 Suites attendues du projet :Le relais technique et financier sera pris par le RMT Modélisation pour éventuellement poursuivre cette action, maintenir une veille scientifique et technique sur ce sujet et continuer à valoriser ce travail par des formations.

19

VI Article destiné à une éventuelle publication 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.

20

VII. Schéma ‘’Finalités-Actions’’

21

ANNEXE 1 : CV du seul chef de projet (sans photo)François BRUN Né le 25 mai 1979ACTA A Sarreguemines (57, France)INRA – UMR 1248 AGIR B.P. 52627F31326 Castanet Tolosan CédexTel GSM : 06 20 50 40 66Tel ACTA : 05 61 28 50 25E-mail : [email protected]

Ingénieur en modélisation à l’ACTA

EXPERIENCES PROFESSIONNELLESdepuis 01/2007 - Ingénieur en modélisation de systèmes d’intérêt agronomique, à l’Association de

Coordination Technique Agricole (ACTA), réseau mixte technologique Modélisation et Logiciels d’intérêt commun appliqués à l’Agriculture (méthodologie de la modélisation, échanges d’expérience et formations)

09/2006-12/2006 - Ingénieur-analyste en informatique, à VIVERIS, SSII.09/2003-08/2006 - Doctorat de biologie, UMR Environnement et Grandes Cultures (Institut National de

Recherche Agronomique, Grignon (78)). Recherche portant sur la modélisation de l’adaptation fonctionnelle de la plante, notamment du système racinaire, à la contrainte azotée (outils de modélisation, programmation orienté objet, interfaces graphiques, bases de données, analyse statistique pour la validation des modèles, analyse d’image, travail en équipe pour le suivi expérimental, conception de nouveaux dispositifs d’étude de la plante entière)- Enseignant-moniteur, Faculté de Science Paris XI. Enseignement de mathématiques pour les biologistes (initiation à la modélisation, tests statistiques)

01/2002-08/2003 Divers stages de recherche et d’ingénieur (CEA, INRA)

FORMATION2001-2003 Diplôme d’ingénieur niveau Master Institut National d’Agronomie Paris-Grignon

Diplôme d’étude approfondie « Adaptation des Plantes Cultivées aux Contraintes Environnementales »

1999-2003 Elève de l’Ecole Normale Supérieure de ParisDiplôme du magistère de biologie (ENS-ParisVI-ParisVII-ParisXI)

1997-1999 Classes préparatoires Biologie, Lycée Henri IV à Paris

INFORMATIQUEProgrammation Maîtrise de langages de programmation objet (Python, Java, C#)Logiciels Maîtrise de Logiciels d’analyse statistique (SAS, R), de base de données

(mySQL,ORACLE), d'outils de traitement et d’analyse d’image (Gimp, ImageJ) - Utilisation de Linux, Windows et Office

REFERENCESRecherche Thèse (2006) : « Modélisation du fonctionnement de la plante A. Thaliana dans différents

contextes de disponibilité en N du Sol : impact sur l’architecture racinaire. »

FORMATION CONTINUE2009 Formation INRA « Analyse de sensibilité et exploration de modèles » (30 heures)2007 Formation ACTA-INRA « Introduction à la modélisation » (30 heures)2006 Formation chez UNILOG en informatique (BDD SQL-Oracle, Java, Application Web) (160

heures)2005 Formation à Orsay au droit de la propriété intellectuelle (60 heures)

22

ANNEXE 2 : Tableau des responsables des actions du projet pour chaque organisme, précisant pour chacun le nom, les domaines de compétence et les expériences dans le domaine concerné

Partenaire Responsable pour le partenaire

Poste occupé du respon-sable

Expérience dans le domaine concerné

ACTA François BRUN Ingénieur Expertise modélisationIngénieur du RMT Modélisation

ARVALIS - Institut du végétal

François Piraux Ingénieur Statistique appliquée à la dé-marche de modélisationAnimateur du RMT modélisa-tion

Institut de l'élevage Carlos Lopez Responsable du service de biométrie

Statistique appliquée à la dé-marche de modélisation

CTIFL Jérôme Vibert

Alain Bardet

Ingénieur en modélisa-tionIngénieur agricole

Concepteur de modèles phytosa-nitairesAnimateur du réseau de valida-tion du modèle oïdium fraisier

IFV Jean-Christophe Payanou Xavier Delpuech

Ingénieur Modélisation du bilan hydrique

CETIOM Luc Champolivier Ingénieur chargé d’études en agronomie

Utilisation de modèles de culture dont Sunflo ; participa-tion à des travaux de modélisa-tion

ITB Agnès Champeil

Fabienne Maupas

Ingénieur de recherche chargée de gestion des bioagresseursIngénieur de recherche chargée d’agronomie

Modélisation des maladies fo-liaires

Utilisation des modèles agrono-miques pour le développement agricole

INRA ToulouseDaniel Wallach

Daniel Wallach Directeur de recherche Statistique appliquée à la dé-marche de modélisationAnimateur du RMT modélisa-tion

INRA Grignon David Makowski Chargé de recherche Statistique appliquée à la dé-marche de modélisation

INRA Clermont Ferrand

Marc Saudreau Chargé de recherche UMR INRA/UBP PIAF

Méthodes numériques et modé-lisation des transferts physiques plantes/environnement.

INRA Montpellier Christian Gary Directeur de recherche Modélisation du bilan hydrique de la vigne en situation enherbée

INRA Montpellier Raphaël Métral Ingénieur d'étude chargé de valorisation

Utilisation des modèles agrono-miques pour le développement agricole

CIRAD Philippe Letourmy Biostatisticien de l’UPR « Systèmes de culture annuels »

Statistique appliquée à la dé-marche de modélisation

23

ANNEXE 3 : attestation du RMT d'affiliationANNEXE 4 : Lettre d’engagement des différents partenaires

Voir le PDF joint pour les attestations signées

24

Documents

AAP ADAR 2004€¦ · Web viewAnnexe 1 : CV du seul chef de projet Annexe 2 : Tableau des responsables des actions du projet pour chaque organisme, précisant pour chacun le nom,