développement de la plateforme de modélisation IPSIM

Figure 5 _{Structure du réseau hiérarchique bayésien déterministe constituant le modèle IPSIM-Wheat-Eyespot}

et les échelles ordinales associées aux différents attributs (Robin et al., 2013).

La plateforme de modélisation IPSIM (Injury Profile SIMu-lator) a été développée dans le but d’aider à créer des mo-dèles qualitatifs prédisant le profil de dégâts (causés par des agents pathogènes, des adventices et des ravageurs) en fonction des pratiques agricoles, du pédoclimat, et de l’en-vironnement de la parcelle (Aubertot et Robin, 2013). Cette plateforme, réalisée à l’aide du logiciel DEXi, dont l’objectif initial était d’aider à décomposer des décisions complexes en des sous-questions plus faciles à appréhender (Bohanec et al., 2013), permet de réaliser facilement des réseaux hié-rarchiques bayésiens déterministes. La figure 5 présente le modèle IPSIM-Wheat-Eyespot qui a été développé à partir d’une analyse bibliographique, d’expertises multiples et d’un jeu de données conséquent (Robin et al., 2013).

À l’instar des modèles quantitatifs, la qualité prédictive de ce type de modèle peut être évaluée rigoureusement. La figure 6 représente la matrice de confusion obtenue avec un large jeu de données indépendant de la construction du modèle. On remarque que le modèle a une précision de 0,49, ce qui signifie que dans pratiquement la moitié des situations, la sévérité observée de la maladie est correctement prédite et une valeur de Kappa (pondéré quadratiquement) de 0,61, ce qui signifie qu’un peu moins de deux tiers de la variabilité du jeu de données est expliquée par le modèle, même si celui-ci comporte essentiellement des faibles niveaux de sévérité (classe 0-20 %). Une procédure d’ajustement pourrait encore améliorer la qualité prédictive du modèle établi uniquement à l’aide d’analyses bibliographiques et d’expertises (cf. Figure 2).

Attribute Scale

Final incidence of eyespot 80-100 %; 60-80 %; 40-60 %; 20-40 %; 0-20 %

Effects of cropping practices Favourable; Moderatly favourable; Unfavourable

Primary inoculum management:

interaction between crop sequence and tillage Favourable; Moderatly favourable; Unfavourable

Preceding crop Host; Risk amplifyong non-host; Non host

Pre-preceding crop Host; Risk amplifyong non-host; Non host

Tillage after harvest of the previous crop Non-inversion tillage; Inversion tillage Tillage after harvest of the pre-previous crop Non-inversion tillage; Inversion tillage Escape: effects of the sowing date Early sowing; Normal sowing date; Late sowing

Mitigation through crop status Favourable; Moderately favourable; Unfavourable

Cultivar choice Very susceptible to susceptible; Moderately favourable; Quite to very resistant

Level of N fertilisation Excess level; Balanced level

Sowing rate High; Normal; Low

Chemical control: use of fungicide None; One

Efffect of soil and climate Very favourable; Favourable; Unfavourable

Soil Favourable; Neutral

Climate Very favourable; Favourable; Unfavourable

Autumn/winter Very favourable; Favourable; Unfavourable

Spring Very favourable; Favourable; Unfavourable

Interactions with the territory Favourable; Neutral

Beneficial sources Normal; Important

Figure 6 _{Matrice de confusion du modèle IPSIM-Wheat-Eyespot}

et distribution marginales associées (données observées sur 19 régions et 9 années).

Conclusion

Cette communication identifie 5 leviers pour renouveler les approches permettant une gestion agroécologique des stress biotiques :

- renouvellement des modèles conceptuels sous-jacents aux programmes de recherche ou de développement, de manière à mieux intégrer la biodiversité fonctionnelle, les effets des pratiques agricoles et la situation de production

- développement de démarches de modélisation innovantes : augmentation du niveau de complexité des processus pris en compte dans les modèles mécanistes, utilisation du cadre des Processus Décisionnels de Markov sur Graphe, développement de modèles qualitatifs

- diversification et intégration des sources de connaissances - augmentation du nombre de variables caractérisées dans

les approches expérimentales ou de diagnostic.

Ces évolutions, associées à une meilleure articulation entre approches biotechniques et sciences humaines et sociales, devraient permettre d’aider à la conception d’agroécosys-tèmes plus durables, à la manière dont le projet Biophyto a abordé la question de la gestion des stress biotiques au sein des vergers de manguiers à La Réunion.

Références bibliographiques

¢Aubertot J.-N., Robin M. H., 2013. Injury Profile SIMulator, a qualitative aggregative modelling framework to predict injury profile as a function of cropping practices, and abiotic and biotic environment. I. Conceptual bases. Plos One. ¢Bartz D., Beste A., Brent Z., Chemnitz C., Bonnet Dunbar M., Ehlers K., Feldt H., Fuhr L., Gerke J., Green A., Holdin-ghausen H., Kotschi J., Lal R., Lymbery P., Mathias E., Mon-tanarella L., Mundy P., Nolte H., Núñez Burbano de Lara M. D., Ostermeier M., Peinl H., Rodrigo A., Sharma R., Sperk C., Tomiak K., Weigelt J., Jo Wetter K., Wilson J., 2015. Soil Atlas 2015. Heinrich Böll Foundation.

¢Bohanec M., Rajkovič V., Bratko I., Zupan B., Žnidaršič M., 2013. DEX methodology: Three decades of qualitative multi-attribute modelling. Informatica, 37, 49-54.

¢Breman H., de Wit C. T., 1983. Rangeland Productivity and Exploitation in the Sahel. Science, 221, 1341-1347.

¢Doré T., Clermont-Dauphin C., Crozat Y., David C., Jeuffroy M. H., Loyce C., Makowski D., Malézieux E., Meynard J. M., Valantin-Morison M., 2008. Agronomy for sustainable deve-lopment, 28, 151-161.

¢Jeuffroy M. H., Valantin-Morison M., Champolivier L., Reau R., 2006. Nitrogen and grain yield and quality: design and utilization of the Azodyn-rape model for improving oilseed rape performance in relation to nitrogen. OCL Oleagineux, Corps Gras, Lipides, 13, 388-392.

¢Lô-Pelzer E., Bousset L., Jeuffroy M. H., Salam M. U., Pinochet X., Boillot M., Aubertot J.-N., 2010. SIPPOM-WOSR: A Simulator for Integrated Pathogen POpulation Management of phoma stem canker on Winter Oil Seed Rape. I. Description of the model. Field Crops Research, 118, 73-81.

¢Oteng-Darko P., Yeboah S., Addy S. N. T., Amponsah S., Danquah E. O., 2013. Crop modeling: A tool for agricultural research – A review. Journal of Agricultural Research and Development, 2, 1-6.

¢Robin M. H., Colbach N., Lucas P., Montfort F., Cholez C., Debaeke P., 2013. Injury Profile SIMulator, a Qualitative Aggregative Modelling Framework to Predict Injury Profile as a Function of Cropping Practices, and Abiotic and Biotic Envi-ronment. II. Proof of Concept: Design of IPSIM-Wheat-Eyes-pot. Plos One.

¢Schneider O., Roger-Estrade J., Aubertot J.-N., Doré T., 2006. Effects of seeders and tillage equipment on vertical distribution of oilseed rape stubble. Soil and Tillage Research, 85, 115-122.

¢Tixier P., Peyrard N., Aubertot J.-N., Gaba S., Radoszycki J., Caron-Lormier G., Vinatier F., Sabbadin R., 2013. Model-ling interaction networks for enhanced ecosystem services in agroecosystems. Advances in Ecological Research, 49, 437-480. 217 41,3 49 9,32 5 0,951 1 0,190 0 0 272 51,7 61 11,6 9 1,71 14 2,66 0 0 1 0,190 85 16,2 41 7,79 3 0,570 13 2,47 4 0,760 9 1,71 70 13,3 10 1,90 2 0,380 17 3,23 3 0,570 11 2,09 43 8,17 7 1,33 0 0 27 5,13 4 0,760 18 3,42 56 10,6 336 63,9 63 12,0 76 14,4 12 2,28 39 7,41 526 100 Simulated 0-20 % 20-40 % 40-60 % 60-80 % 80-100 % Total Observed 0-20 % 20-40 % 40-60 % 60-80 % 80-100 % Total

Questions / Réponses

„S. Penvern : Comment intégrer les objectifs de production et règles de décision des agriculteurs dans vos modèles ? Par exemple, en consultant des groupes d’agriculteurs comme « experts » dans la définition des paramètres et règles d’agrégation de vos modèles qualitatifs.

J.-N. Aubertot : La modélisation de la décision n’est pas prise

en compte dans les approches de modélisation présentées. En revanche, il est tout à fait possible d’intégrer les règles de décisions dans les simulations en les activant pour définir les choix de conduite correspondant à certaines variables d’entrée des modèles. Effectivement, pour le modèle IPSIM, des collectifs d’agriculteurs et/ou de conseillers peuvent proposer de nouvelles règles d’agrégation de manière à formaliser leurs expertises propres.

„B. Reynaud : 1) Quelle est la robustesse du modèle selon le bioagresseur considéré (insecte, pathogène, adventice) ? 2) Sur quel set de données ce modèle a-t-il été testé ?

J.-N. Aubertot : La qualité prédictive de chacun des modules

du modèle IPSIM-Wheat a été évaluée (ou est en cours d’éva-luation) par des jeux de données indépendants. Il ressort effectivement une robustesse différente en fonction du niveau de connaissance disponible sur le bioagresseur considéré. Généralement, on dispose de jeux de données comportant environs un millier de sites-années en regroupant différentes sources expérimentales (plusieurs régions sur une ou deux décennies en général, MFE, Prix).