HAL Id: hal-02813803
https://hal.inrae.fr/hal-02813803
Submitted on 6 Jun 2020
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Dossier d’Evaluation AERES 2009 de l’UMR Analyse
des Systèmes et Biométrie (ASB)
Alain Rapaport
To cite this version:
Alain Rapaport. Dossier d’Evaluation AERES 2009 de l’UMR Analyse des Systèmes et Biométrie
(ASB). [Interne] 2009, 53 p. �hal-02813803�
Analyse des Systèmes et Biométrie
Evaluation AERES
Bilan 2005-2009
Bilangénéral de l'unité
1.Présentationdel'unité 1
2.Moyens 2
3.Résultats 2
4.Evolutionssigni atives 2
Bilan hiréau1erJanvier 2009 3
Bilandétaillé de l'unité
1. Bilandesa tivitésthématiques
A.Systèmesdynamiquesmi robiens 4
B.Dynamiquederessour esnaturelles 6
C.Systèmesdeprodu tionsagronomiquesetintera tionsave l'environnement 7
D. Pro édésdetransformationdesaliments 8
2. Bilandesa tivitésgénériques
2.1Modélisation,systèmesdynamiquesetoptimisation 10
2.2Statistiqueet pro essussto hastiques 11
2.3Informatique etreprésentationdela onnaissan e 12
Informatique collective
Philippe Naudin (AI INRA)
Directeur
Alain Rapaport
Directeur adjoint
Pascal Neveu
Fabien Campillo* (CR INRIA)
Bart Haegeman* (CR INRIA)
Patrice Loisel* (CR INRA)
Frédéric Mazenc* (CR INRIA)
A. Rapaport* (DR INRA)
Jean−Pierre Vila (DR INRA)
Jérôme Harmand* (CR INRA)
Claude Lobry* (PU Nice)
Equipe DYNECOS
Alain Rapaport
Non titulaires
Pierre Cartigny (MC Univ. Aix)
Marc Joannides* (MC UMII)
Tewfik Sari* (PU Mulhouse)
Membres invités
José Fernandez* (Doct.)
Miled El Hajji* (Doct.)
Ihab Haidar* (Doct.)
Alhem Saddoud* (Post−doct.)
Equipe MISAA
Pascal Neveu
Secrétariat
Cécile Louche (TR INRA)
Véronique Sals−Vettorel (AJT SupAgro)
Responsable:
Responsable:
* EPI MERE
Brigitte Charnomordic (IR INRA)
Christophe Abraham (Pr SupAgro)
Nadine Hilgert (CR INRA)
Martine Marco (TR SupAgro)
Pascal Neveu (IR INRA)
Anne Tireau (AI INRA)
Pierre−André Cornillon (MC SupAgro)
Membres associés
Non titulaires
Khader Khadraoui (Doct.)
Alexandre Granier (Ing.)
Thomas Laloe (Doct.)
Rémi Servien (Doct.)
Membres du LIRMM
Gilles Caraux (Pr SupAgro)
Philippe Vismara (MC SupAgro)
1 Présentation de l'unité
L'UMR AnalysedesSystèmesetBiométrie(ASB)asso iedes(enseignants-) her heursdudépartementS ien es pour les AgroBioPro édés de SupAgro Montpellier et dudépartement Mathématiques et Informatique Appliqués (MIA)del'INRA.Plusieurs her heursdel'INRIAsontasso iésàl'UMRautraversdel'équipeprojetMERE
1 .Les a tivités de l'UMR portentsur le développement de méthodes mathématiques, statistiques et informa-tiquespourl'analyseetl'aideàladé isiondessystèmesrelevantdel'agronomieetdel'environnement 2
,ave una entparti uliersurlamodélisation,lessystèmesdynamiquesetlessystèmes omplexes.Sa pro-du tionreposepourl'essentielsur
- despubli ations(enveillantà onserverunéquilibreentre ontributionsappli ativesetméthodologiques), - deslogi ielsdiusésauprèsde ommunautésdere her hevoirede lièresprofessionnelles
- desa tionsdeformation ommedesé oles- her heursoudel'en adrement.
La sour e prin ipale des rédits de l'unité, horsdotation par sesorganismes de tutelle,repose essentiellement sur des projets européens, nationaux (ANR, INRA et INRIA) et régionaux (Fondation Agropolis, région Languedo -Roussillon).Pourmeneràbien sesmissions,lapolitiquedel'UMR s'appuyelepluspossiblesur des ollaborations ave des équipes de biologistes, agronomes ou é ologues (sur le ampus ou ailleurs) pour répondre ensemble aux diérentsappelsd'ore.
Pourfa ilitersonfon tionnement,l'unité est,depuisdébut 2009,stru turéeendeux équipes:DYNECOS (DY-Namique des ECOSystèmes)et MISAA (Méthodes Informatiques et Statistiques pourles Agrosystèmeset l'Agro-alimentaire),travaillantsurquatreprojetsstru turants:
A. Systèmes dynamiques mi robiens B. Dynamiquede ressour es naturelles
C. Systèmes de produ tion agronomiqueet intera tions ave l'environnement D. Pro édés de transformationdes aliments
Lesmotivationset lemode defon tionnementde ette organisationsontdé ritsdansl'analyse duquadriennal, qui a ompagneleProjetd'unité.Dans ebilan,nous neprésentonsquelesaspe tsfa tuels.
L'ee tifdupersonnel del'unité au1erjuin2009estde31personnes,répartiesen16permanents(2DR, 5CR, 1Pr, 1MdC, 2IR, 2AI, 2 TR,1AjT), 5 enseignants- her heursasso iés,1 membreinvité, 6 do torants, 1 post-do torantet 1ingénieursous ontrat( f Tableau 1. i-après). Deux enseignants- her heursdeSupAgro, asso iés à l'unité,émargentautitred'uneautreUMR( fl'organigramme).Leura tivitédere her henesontdon pasdé rites dans ebilan.
Historiquede l'unité.
L'UMR ASB est née en 1998, faisantsuite à l'Unité de Biométrie du ampus SupAgro, rééeen 1982 et dont l'essentieldesa tivitésportaitsurlastatistique.J.-P.Vila,statisti ienàl'INRA, aprisladire tion del'unité,puis de l'UMR, de 1994 à 2004, en lui orant une nouvelle orientation systèmes dynamiques. Cette ouverture s'est matérialiséepar
- desre rutementsde her heursINRA(1996,1999et unemutationen2001),etd'uningénieurINRA(2002). - la réationen2004delapremièreéquipeprojetINRIA(EPI) ommuneave l'INRA,a ueillieauseindel'UMR,
qui ompte aujourd'hui 2 her heursINRA(1 MIA et1EA ae té auLBE 3
)et 3 her heurs INRIAae tés à tempspleinàl'UMR.
Il est à noter qu'aux tés des thèmes statistique et systèmes dynamiques, une a tivité de développements de méthodesetd'outils informatiquesest portéeparl'UMR dèssa réation.
Évolutionsdepuis 2005.
- Dire tion.P. Cartigny, enseignant- her heurensystèmes dynamiqueset optimisationàl'Université dela Médi-terranée,apris ladire tion del'UMR de 2005à2008, en délégationINRA. Depuisle1er janvier2009, l'UMR estdirigéeentandemparA. Rapaport(dire teur)etP.Neveu(dire teuradjoint).
- Départs.L'année 2005avule départ parmutationde V.Fromion(CR) et d'A.Goezler(IE) pourl'unité MIG del'INRA, surunthèmedere her henonportéparASB(les a tivitésde esdeux her heursnesontdon pas prisesen omptedans ebilan).L.Menut(AI INRA)estpartirejoindreuneautreunitédu ampusen2007.La délégationINRAdeP. Cartignyapris nau31dé embre2008.
- Arrivées. A.Tireauaétére rutée n2005surunnouveauposteAIINRA,pourrenfor erl'a tivitéde développe-mentinformatique.P.-A.Cornillon,enseignant- her heurstatisti iendel'universitédeRennes,estendéta hement SupAgrodansl'UMRdepuisseptembre2007.P.Naudin(AIINRA) arejointl'UMR en2007pour ompenserle départdeL.Menutsurlemêmeposte.B.Haegemanaétére rutéCRINRIAen2006et ae téàl'EPIMERE. En2007,F.Campillo(CRINRIA)aétémutéàMontpellier,ae téégalementàl'EPIMERE.2008avul'arrivée deT.Sari(professeuràl'UniversitédeHaute-Alsa e),endélégationINRIAae téàl'EPIMERE.M.Joannides 1
ModélisationEtRessour esenEau 2
quiànotresens omprendlabiologiedespopulationsetl'é ologiedes ommunautés. 3
partie desare her heauseindel'unité etdel'EPIMERE.Larentrée2009verral'arrivéed'unnouveaure ruté CRINRAenstatistique.
- Promotions.L.Menut(AIen2005),P.Neveu(IRen2005),A.Rapaport(DRen2006)etC.Abraham(PrSupagro en2007).
Depuisdébut2009,l'unitéestbilo aliséesurdeuxsitesdu ampusdelaGaillarde.Cettebilo alisation orrespond audé oupageendeuxéquipes.
2 Moyens
- Parti ipationsà2projetseuropéens(dont1en ours), 4ANR (1 entantquepilote,1entant que o-pilote),1 projetFran e/Chili(entantqueporteur),1projetADEME, 1projetECOGER,3ARCsINRIA(dont2entant que porteur), 1projetSTIC-CNRS-LR, 2 projetsde la Fondation Agropolis et 2 ontrats de plus de50keuros (dontunave unpartenairepubli nonre her he).
- 11do torants( o-)en adrésdont8àdemeuredansl'unité.
- Deux her heursinvitéssurlongue période(Brésil,Belgique).Deuxpost-do torants(Fran e,Tunisie). - 2délégations(1INRA,1INRIA),1déta hement(SupAgro).
- Finan ements d'animation d'un réseau méthodologique INRA, de l'organisation de 4 é oles- her heurs, d'un atelieretd'un olloqueinternational.
- 60 formations suivies par le personnel de l'unité durant e quadriennal, 25 sur des thèmes s ienti ques et 35 on ernantl'administrationet l'en adrementdelare her he.
3 Résultats
- 204publi ationsdont131derangA(voirTableaux2et3 i-aprèspourleurrépartition).96arti lesdansrevues internationales,2monographies,2arti lesdepresse.
- 13logi ielsproduits(dont2déposés):1 ommer ialisé,8diusésetutiliséshorsunité,2diusésdefaçonlimitée et 2destinésàl'appuiàlare her he.
- 1brevet.
- 6thèseset2HDRsoutenues.
- 25parti ipationsàdesjurysdethèseoud'HDR(dont12entantquerapporteurs).
4 Evolutions signi atives
- Dès2005,l'arrêtdesa tivitéssur la ommandepourl'irrigationetl'agroalimentaire.
- Unenouvelleappro heméthodologique: modélisationindividus- entréeeté ologienumérique.
- De nouvelles ollaborationslo ales(LEPSE, IATE, E o&Sols,CEFE),nationales(Dijon,St-Pé,Theix,Rennes, ENV Alfort,LUBEMQuimper),etinternationales(Belgique,Etats-Unis,Canada,Pays-Bas).
- Une diminutiondes a tivitésdere her he portantsur ladynamique deressour esrenouvelablespar l'appro he lassiquedéterministeetunre entragesurl'optimisation.
- Unerédu tiondel'eortportésurl'identi ationet la onduitedebiopro édésparleste hniquesstatistiques. - Des ollaborations moins fréquentes ave le CEFE et le LAMETA sur le thème de la gestion de ressour es
naturelles.
2009 2008 2007 2006 2005
Cher heurs 7 7 6 6 6
4INRA,3INRIA 4INRA,3INRIA 4INRA,2INRIA 4INRA,2INRIA 5INRA,1INRIA
Enseignants her heurs 2 2 1 1 1 Ingénieursdere her he 2 2 2 2 2 +1IE Assistantsingénieurs 2 2 2 2 1 Te hni iensdere her he 2 2 2 2 2 Adjointadministratif 1 1 1 1 1 Total 16 16 14 14 13
Tableau1.Répartition etévolutiondupersonnel permanent
For es revuesrangA a tesrangA totalpublis logi iels
A. Syst.dyn.mi robiens 40% 34 12 46 1
B.Dyn.ress.naturelles 20% 16 1 17 0
C.Syst.deprod. agro. 20% 4 2 6 6
D. Pro .transf.alim. 15% 4 2 6 4
autres 5% 3 15 18 0
méthodologie 33 5 38 2
total 12 94 37 131 13
Tableau2. Répartitiondespubli ations entreprojets stru turants
publi ationsderangA revues(par her heur) a tes(par her heur) total(par her heur)
2005 11(1.47) 8(1.07) 19(2.53) 2006 14(1.87) 7(0.93) 21(2.8) 2007 18(2.4) 8(1.07) 26(3.47) 2008 26(2.89) 8(0.89) 34(3.78) 2009 (partiel) 25 6 31 total 94 37 131
Tableau3.Évolution de laprodu tion despubli ations
Note:Le al uldunombreannuelde publi ations par her heur,présentédansletableau i-dessus,aétéee tuéen onsidérantqu'enseignants her heursetingénieursdere her heontd'autresmissionsetn'ee tuentqu'unmi-temps pourla re her he proprement dite
1 Bilan des a tivités thématiques
A. Systèmes dynamiques mi robiens
A.1 Modélisation et automatique en é ologie mi robienne.
Ils'agit desa tivitésmenéesau seinduprojet ommunINRA-INRIA 'MERE'(Modélisation EtRessour esen Eau)
4
.Lesobje tifsduprojetsontde développer,analyseret simulerdesmodèlesde ompréhensionetdedé ision pourles ommunautésmi robiennes,présentesnotammentdanslesé osystèmesdeladépollutiondeseaux.
Prin ipales ollaborations :INRALBE(Narbonne),UMRMGS(Dijon),UMRE o&Sols,UMRIATE,INRIA Bor-deaux,CEMAGREF LISC,CMMChili,UTFSMChili,M GillCanada,CEES Pays-Bas.
A.1.1 Con eption et onduite de biopro édés
Letraitementdeseauxrejetéesparl'agri ultureetl'agro-alimentairereprésententlapremièreindustriemondiale, auregarddelaquantitédematièretraitée.Lesbiopro édésdedépollution onsistentàutiliserdesmi roorganismes pourtransformerlapollutionliquideousolideenboueset en produitsse ondairesvalorisables(exemple dubiogaz produit par la digestion anaérobie). Les réa tions biologiques sont on nées dans des bioréa teurs, qui sont de véritablesé osystèmes: systèmes omplexes quel'onpeutmodéliseràl'aide desystèmes d'équationsdiérentielles non-linéaires, di iles à ara tériser quantitativement, soumis à diverses perturbations et in ertitudes et dont les mesures en ligne sont partielles ou très oûteuses. Les vitesses de dégradationbiologique sont souvent faibles au regarddela produ tiondes dé hets.É onomiquement,il s'agitd'optimiser lesdébits de harge desréa teurs pour garantirun ompromisentrerendementetprodu tivité.L'équipedéveloppedesoutilsdel'automatiquedéterministe nonlinéaire,del'optimisationet dugéniedesbio-pro édéspour
- optimiserla on eptiondesréseauxdebioréa teurs, - piloter defaçonrobustelespro édés ontinus,
- minimiserlestempsdeséjoursdespro édésséquentiels.
Stabilisation de pro édés ontinus. Nous avons proposé une nouvelle stratégie de stabilisation d'un réa teur ontinuparbou lesde re ir ulationet by-pass( e quiévite d'ajouterune apa itéde sto kageenamontlorsquele système subit une sur hargehydraulique)[ACL79℄. Nousnous sommes égalementintéressésàl'inter onne tion de bioréa teurs,et avons étudié l'in uen ede la taille relative de deux réa teurs en as ade sur le maintien de deux populationsmi robiennes[ACL53℄.Cepremierrésultatnousapermisdeproposerunestratégiedebio-augmentation paruneespè e(bien hoisie)pourstabiliserglobalementuné osystèmeprésentantunrisquedelessivage(duàune inhibitionparlesubstrat)[ACL52℄.En n,nousavonsproposédessynthèsesderétroa tionssurletauxdedilutionpar desméthodesdeLyapunovquiprésentent ertainesrobustessesauxin ertitudesdemodèles[ACL68,ACL18,ACL19℄. Uneautreappro hequenousavonsélaboréereposesurlaréalisationd'unsuividetraje toires,en ombinaisonave late hniquedeba kstepping([ACTI27,ACL48℄.
Capteurs logi iels.A ndepallierauxdéfautsd'identi abilitéet d'observabilitédesmodèles,nousavonsproposé des observateurs par intervalles, qui fournissent des bornes garantiesdes variables non mesurées [ACLN6℄ au lieu d'estimateurs univalués.Ces observateurs ontété ouplésàdeslois de ommanderobustes et validées sur siteréel [ACL91℄.Au delàdel'atténuationdeperturbationsdespro édés,estimerlesentréesin onnuespermet d'implémen-ter des lois de ommande plus e a es. Pour ela, nous avons proposé une onstru tion d'observateurs d'entrées in onnues, notamment dans le as oùles entrées varient périodiquementdans le temps [ACTI16℄. En n, en olla-borationave lesmi robiologistes duLBE,nousavonsdéveloppéune nouvelleappro hebasée surdesobservateurs pourassignerunefon tionàdes espè esmi robiennesdéte téesparempreintes molé ulaires(à partird'uns héma réa tionnelet demesuresenligne, onestimelesbiomassesfon tionnellespuisondétermine la ombinaisondes es-pè esindividuellesquiexpliqueauxmieuxlestraje toiresdesbiomassesfon tionnelles)[ACL5℄.Ils'agitd'untravail pré urseuràdesétudesquiutiliserontdesdonnéesàhaut-débit.
Commandeoptimale.Dansle adreduprojeteuropéenEOLIpilotéparleLBEetdu o-en adrementd'unethèse, nous avons étudié théoriquement puis parti ipéà des tests sur unréa teur pilote de lois de ommande en temps minimum pourdes pro édés aérobies.Nous avons opté pourune modélisation hybride qui représente l'alternan e entre périodes aérobieset anoxiques. À partird'uneétude de ontr labilité, nousavons ara tériséles instantsde ommutationoptimaux[ACL21℄.Pourlespro édésséquentiels,nousavonsgénéraliséunrésultatdûàMoreno(1999) aux as deréa teursàplusieursespè esmi robiennes en ompétition surunmême substrat,et àunealimentation qui peuts'ee tuer soit en ontinu (parpompage)soit parimpulsions (dilutions). Nousavonsobtenu une ara té-risation del'optimalité desstratégiesbang-bang et ar singulier [ACL35℄. Cettedistin tion est d'importan e sur le plan opérationnel ar elle onditionne lamise enpla e de apteurs et d'a tionneurs.Pourladépollution enmilieu naturel(la sounappesphréatiques)qu'ils'agitdetraitersansintroduiredemi ro-organismes,nousavonsproposé un s héma d'un bioréa teur alimenté en ontinu par la ressour e (et dont la sortie retourne à la ressour e après séparationdes boues), et étudiéles politiquesen temps minimum.Nous avons onsidéré des ressour essupposées
4
loisde ommandeenbou lefermée[ACTN3℄.
A.1.2 Théoriede la ompétition pourun substrat
Représenterlesespè esmi robiennespardes on entrationsrégiespardeséquationsdiérentiellesordinairesest ommunement admis pour les é osystèmes parfaitement mélangés. C'est sur ette base que la théorie de l'ex lu-sion ompétitive prédit l'extin tion de la majorité des espè es, alors qu'elle nest que rarement observée dans la natureoumêmeenlaboratoire.L'équipetented'élu ider eparadoxe,enrelationsystématiqueave lesbiologistes. La omplexité d'un é osystème mi robien et ses multiples intera tions nous poussent à étudier plusieurs modèles on eptuels.
La ratio-dépendan e. Dans le modèle lassique du hémostat, le taux de roissan e spé i que des espè es est habituellementune fon tion
µ
i
de la on entrations
ensubstrat nutritif.Nous avonssuivi laproposition d'Arditi-Ginzburgpourlesrelationsproie-prédateuretles haînestrophiquesené ologie,derempla er ettedépendan epar leratios/x
oux
est ladensitéde l'espè e, et l'étudierdupoint devuede la ompétition dansle hémostat.Nous avonsmontréqueleprin iped'ex lusionn'estplusvalidedans e asetavonsdéveloppéunete hniquemathématique permettantde prédireàpartirde la onnaissan edesµ
i
(s/x
i
)
lesespè esqui oexistent[ACL96, ACL81, ACL62℄. Grâ e auxte hniques Lyapunov nous avons démontré la robustesse de notre appro he [ACTI35, ACL65, ACL66℄. Dans les arti les[ACL63, ACL41℄ nous montrons que le phénomène de o ulationpourrait expliquer en partie la ratiodépendan e.L'environnementlentementvariable.Un é osystèmemi robiensoumisàunenvironnementlentementvariable (parexemple un y lesaisonnier) peut alternerles onditions favorablesà la roissan e de diverses espè es. Nous avonsmisen éviden e une te hniquemathématique (basée sur destravaux antérieurs de T.Sari et C. Lobry) qui permetdeprédireetde omprendrela oexisten esurlabasedela onnaissan edestauxde roissan edesdiverses espè es,mêmeenrégimenon périodique[ACTI3℄. Cestravauxsontlargementen oursdedéveloppement.
La oexisten edans lestransitoires.Dansun ontexteunpeudiérentmaisave unephilosophiepro he,nous avonsanalyséle omportementtransitoiredeplusieursespè esfon tionnellementpro hes[ACL51, ACL7, ACL24℄. Nouspensons,eneet,quelesnotionsmathématiques lassiques(états stationnaires, y leslimites, attra teurs di-vers)risquentd'êtrepeupertinentespourlesé osystèmesmi robiens.
Retard pon tuel.Leprin iped'ex lusion ompétitiveen présen ede retardsdansles fon tionsde roissan e est étudié dans[ACL8℄ où ll est montré que e prin ipe demeure valable lorsque lesretards sont detaille inférieure à une onstantedonnéeparune formuleanalytique.
A.1.3 Modèles individus- entrés en é ologie
Lesmodèlessousformed'équationsdiérentielles,telsquedé ritsplushautnesontplusadaptéspourlesespè es quisontréduitesmomentanémentàunee tifsu sammentpetitpourquelanotionma ros opiquede on entration perdeson sens. Il faut alors passer à des modèles individu entrés et faire le lien entre le niveauindividuel et les propriétés olle tivesémergeantes.Nousdévelopponsdeuxappro hes omplémentaires:
- l'une basée sur le modèle neutrede Hubbel, qui dé rit ladynamique d'une ommunauté attribuant les mêmes ara téristiquesàtouteslesespè es.
- une autreparmodélisationsto hastique(pro essus denaissan eet demort),qu'ilestpossibled'exploiteràdes ns de simulation. Sous ertaines hypothèses, on peut approximer par des modèles de type diusion (temps ontinu)oudetype haînedeMarkov(tempsdis ret). Auniveauma ros opique,onobtientdesmodèlesquine seréduisentpasàdesmodèlesdéterministesauxquelsonauraitarti iellementunbruit.
Empreintes molé ulaires.Nousavonsmontréqueleste hniquesd'empreintesmolé ulairesen odaientl'indi ede Simpsonlargementutiliséené ologie(unbrevetàétédéposé).Plusré emmentnousavonsmontré,en ollaboration ave desbiologistes,qu'uneautrete hnique,ladynamiquederéasso iationdel'ADN,permetd'a éderàtouteune lassed'indi esdediversité ouverteparlesindi esdediversitédeRenyi[ACL42℄.
Autour dumodèleneutre.NousavonsétendulemodèledeHubbellau asd'unedensité dépendan eparrapport à la taille de la ommunauté [ACL40, ACL10℄. Une se onde modi ation on erne l'aspe t dynamique. Dans la plupart des ommunautés non mi robiennes, les temps ara téristiques sont beau oup plus longs que les durées d'observation disponibles et l'usage du modèle est don restreint aux aspe ts stationnaires. Ce i n'est pas le as pourles ommunautésmi robiennes,etletestdesmodèlesimpliqueleurspropriétésdynamiques[ACL55℄entermes d'indi ede Simpson.La orrespondan eentre leniveauglobal et leniveaudetaillépeut êtreformulé entermes de maximisationdel'entropie [ACL39,ACL11℄.
Modélisation probabiliste. En reprenant l'appro he déjà exploitée dans l'unité dans le projet stru turant B (ressour esrenouvelables),nousproposonsune modélisationprobabilistedemodèlesindividu- entré [AP2℄.
A.2 Modélisation et prédi tion statistiques pour les é osystèmes mi robiens
Notre obje tif est d'améliorer les apa ités de modélisation et de prédi tion d'évolutions de populations ba -tériennes, notamment dans le as de ontamination par des pathogènes dans des milieux alimentaires (Listeria, Salmonella,et ),àl'aidedete hniquesstatistiques.
tique dedonnées et la détermination de plans d'é hantillonnageoptimaux. La se onde est elle de l'estimation de densités onditionnellesd'ee tifs ba térienset deparamètresdesdynamiques modélisées,par ltragenonlinéaire. Leproblèmedela omparaisonet delaséle tiondemodèlesd'évolutionpertinents,est égalementabordé,ainsique eluidelaprévisionetdeladéte tionstatistiquesderupturedemodèlespourla ara térisationrapided'anomalies detypepanne dedispositifou ontamination.
A.2.1 Prin ipes.
Lamiseendéfautdeste hniquesstatistiques lassiquessurlessystèmesdynamiquesàespa esd'étatnonlinéaires (nona ès auxvraisemblan esanalytiques)nousa onduità onsidérerdesappro hesinnovantesde typebayésien séquentiel: elles quenousavonsdéveloppées( ltrageà onvolution) permettentdesestimations onvergentes des densités deprobabilitédesparamètresin onnusdusystème etdesdensitésdesvariablesd'étatnonobservées(ee tifs ba tériens), e iàuninstantdonnéoudefaçonprédi tivesurtoutunhorizon.Delà, des ritèresstatistiquesd'alerte peuventêtremisaupoint. Cesestimationsintégrent lesévolutionsdesfa teursdemilieu(température,pH,a tivité del'eau)et desfa teurs inétiques(biotiqueset abiotiques)desplusprofondsniveaux.
A.2.2 Résultatsa tuels.
Lesavan éeslesplusmarquantesa tuellementontétéréaliséessurlestroispremierspoints:a quisition, estima-tionpar ltrage[ACTN4,ACTI1℄, omparaisondedynamiquespar al ul defa teursdeBayes[ACL26℄,maisaussi bandes de on an eexa tes pour prédi tionsd'évolutiond'ee tifs ba tériens. Parailleursun logi iel pilotea été développé[AP1℄, dontunepremièreversionaététransféréànos ollèguesmi robiologistespourvalidation(ENV). A.2.3 Cadre de développement.
Notre projetadémarré dansle adredes RéseauxMéthodologiquesMIA etaprès séle tionparappel d'orede l'Institut desSystèmesComplexes (2007). Iladonné lieu depuisjanvier2009 àune ARCINRIA (ARCEPS E o-mi robiologiePrévisionnelleStatistique)etàdenouveauxquestionnements( ara térisationd'évènementsrares).
B. Dynamique de ressour es naturelles
L'unitédéveloppedesoutilsetdesméthodesmathématiquespourlagestionderessour esnaturellesrenouvelables, danslesbuts
- deproposerdesstratégiessus eptiblesd'améliorerleurgestion,
- demieux omprendreladynamiquedesressour espourleurpréservation.
Prin ipales ollaborations :LERFoBNan y,ONFFontainebleau,CIRADMontpellier,Agro ampusRennes,Réseau CAQ,RéseauDPPE,RéseauMIFIMA(Chili,Pérou), Univ.deFianarantsoaàMadagas ar.
B.1 Gestion de ressour es hors équilibre
Nosre her hessepositionnentdansun adrebio-é onomique. Denombreuxtravauxdelalitératureselimitent àla re her he des solutionsoptimales àl'équilibre. L'originalité de nos travauxest d'étudier l'optimalitédans les régimestransitoiresenfon tiondes onditionsinitiales[ACL23,ACL22℄,notammentlorsqu'ilyaplusieurssolutions optimalesàl'équilibre[ACL98℄.
B.2 Gestion forestière
Une thèse en o-tutelle ave le CMM (Chili) a porté tout d'abord sur la gestion optimale d'une forêt à deux essen es,baséesurunmodèleàtempsdis ret.Parlasuite,l'utilisationd'uneméthodedeprogrammationdynamique apermis l'étudedelagestionoptimaledesurfa eso upéesparlaforêtet defaçonalternativeparunautreusage [ACL23℄.
Unequestionré urrente hezlesforestiersportesurle hoixdel'é hellepertinentedereprésentationdesressour es forestières(arbres, par elles, ...) à onsidérer pourleur gestion. En eet, la omparaisondes solutionsnumériques d'unproblèmedegestion,obtenuesd'unepartave unmodèleentempsdis retetdes lassesdediamètres(travailen ollaborationave un her heurduLERFoBNan yenmissionpourunanàl'UMR),etd'autrepartparunesolution analytiqued'uneversionsimpli éedumêmemodèle(entemps ontinuave uneseule lassedediamètres),aapporté desélémentsquijusti entl'intérêtd'unemodélisationsimpli ée[COM2℄.Cette ollaborationave leLERFoBaété renduepossibleparlaparti ipationa tivedemembresdel'UMRauxréseauxEFPA-CAQ (Croissan e-Amélioration-Qualité) regroupant desforestiers de l'INRA, duCemagref, du Cirad,de l'ONF et EFPA-DDPE (Dynamique des Populationset PeuplementsExploités).
Nousavonsétudié,àl'aided'unmodèleentemps ontinu(e.d.o.),les onséquen esdelamiseenpla ed'uneréserve marineetmisenéviden elefaitquedeszonesprotégéespeuventêtrebéné quesàlafoissurlesplansé onomique etbiologique[ACL92℄. En ollaborationave des ollègues hiliens,nousavonsalorsabordé leproblèmedupartage entreune otteartisanale tièreetune otteindustrielle,etmontrél'intérêtbioé onomiqued'allouerà haque otte une zone depê he [ACL32℄. Dans e type d'étude, les hoix desmodèlespourprendreen ompte la spatialisation sontprimordiaux,et nousavonsmisenéviden eles onséquen esde es hoixsurlesstratégiesoptimales [ACL16℄. Lagrandemajoritéde estravauxontétéee tuésdansle adreduprojetMIFIMA(Mathemati s,Informati sand FisheriesManagement),en ollaborationave deséquipesduChilietduPérou,etontdonnélieuàplusieursa tions deformation( dSe tion3.3).Destravauxthéoriques(surleturnpike)dé ritsenSe tion2.1.1ontétéinitiéspar es problématiquesdegestiondespê heries.
B.4 Prote tion de la biodiversité et dynamiques de populations
Dansle adredel'AIRCNRSBioSti -LR(2005-2007)AnalyseetgestiondelaBiodiversité nousavonstravaillé en ollaborationave leCEFE-CNRSàlarésolutiondeproblèmesdemodélisation,d'identi ation,puisd'inféren e bayésienne, sur des dynamiques de populations d'oiseaux migrateurs ( igognes, amants) [ACL61℄. La mise sous formed'ununiquemodèleàespa ed'état,intégrantinformationsdémographiquesetsuivisindividuels,apermisune identi ationoptimalepar ltrageà onvolution,ainsiquelamiseenéviden edephénomènesdedensité-dépendan e etlestestsde ertaineshypothèses onje turéesparnos ollèguesé ologistes.
B.5 Modèles pour la préservation des ressour es
Lesmodèlesdéterministes,quisont ourammentutiliséspourl'aideàladé ision,sontmaladaptésauxsituations de risquesd'extin tion d'espè es. C'est pourquoinous nous intéressonsà desmodèles sto hastiques àl'é helle des individus.L'originalité denosre her hesestde fairelelien ave lesmodèlesdéterministesvus ommedynamiques moyennes,enapportantdes orre tionsauxé hellespopulationnelles.
Jusqu'en 2008,l'UMR adirigéune ARCINRIA MICR(Modélisation sto hastiqueet inféren enumérique pour l'évaluationetlagestionderessour esrenouvelables),quiregroupaitenplusdes her heursdel'INRAetdel'INRIA une équipe de dynamique de forêts naturelles du CIRAD (Montpellier) et une équipe du Laboratoire d'E ologie Halieutique (Agro ampus, Rennes). Dans e adre, l'UMR a béné ié d'un an de post-do torant, pour l'aide au développementdemodèlesprobabilistesdanslesdomainesdel'halieutiqueetdesdynamiquesdeforêts.Enparti ulier, unmodèleindividu entré(IBM)detypeBolker-Pa ala omprenantunmodèleexpli itede roissan eaétedéveloppé dansle ontexteforestier.Nousavonsproposéunedes riptionprobabilistede etIBMsousformed'unpro essusde Markovde bran hement/diusion, reprenantl'appro he proposée parMéléard et ses oauteurs. En n, nous avons développéunsimulateursousMATLAB.
Depuis 2007,l'UMR développedes relationsave l'Université de Fianarantsoaà Madagas ar,notammentdans le adre du projet SARIMA (GIS nan é par le MAE) et de l'AUF, autour de la modélisation markovienne de dynamiquesagraires.
Depuis2009,l'UMRest o-responsabled'unprojetANR-SYSCOMMMODECOL(Usingmathemati al MODe-lingtoimproveECOLogi alservi esofprairiale osystems),dontlebut estd'optimiserla apa itéd'absorptiondu nitratepardespopulationsdeplantes lonales.Dans e adre, l'UMRest animatri ed'ungroupede modélisateurs del'INRIAdanslebut deproposerdesmodèles omputationnelsoriginaux.
B.6 E onomie des ressour es
Parallèlement auxa tivités dé rites i-dessus,jugées plus prioritaires,nous entretenons une ollaborationave un her heuré onomistedel'unité DYNAFORToulouse,qui on ernelapriseen ompte del'aléa limatiquedans les ontratsenvironnementaux[ACL83℄. Nousespéronspouvoirfairele liendans lefuturentre ette a tivitéet les pré édentes.D'unefaçonen orepluspon tuelle,destravauxontéteenteprisave unbiologiste[ACL70,ACL50℄ et ungénéti ien[ACL58℄surdesaspe tspurementnumériques.
C. Systèmes de produ tion agronomique et intera tions ave l'environnement
Un des enjeux de l'agri ulture d'aujourd'hui est de pouvoirrespe terl'environnementtout en maintenant une produ tion de qualité.Dans e ontexte, nous sommesasso iés àplusieurs équipes d'agronomespour omprendre les intera tions entre ertains systèmes de ulture, leur environnement et éventuellement les pratiques ulturales asso iéesàleur onduite.Lesobje tifsagronomiquesviséssontdiérentsselonlessystèmes onsidérés:
- arbres fruitiers (pê hers) : pilotage par des a tes te hniques appropriés, des intera tions entre la plante, ses bioagresseurs(pu erons)etdesrégulateursintroduits( o inelles);re her hedenouvellesvariétésmoinssensibles aux ssures,résistantesàunemaladie,unravageur,
- maïs:re her hedenouvellesvariétésplustolérantes àlasé heresse,
- vigne: ara térisationdel'impa tdess énariosde ulture(terroir,taille,apports,traitements)surlespotentielsde qualitéduvin; on eptionet omparaisonde artesderisquesdemaladie(mildiou,oïdium)pourlapré onisation detraitementsspatialisésraisonnés.
Montpellier,ITV Bordeaux,EmbrapaBrésil.
En ollaborationave lesagronomes,nosobje tifssontde on evoiretdemettreen÷uvredesmodèles mathéma-tiquesentirantaumieux pro td'une onnaissan eexperteformaliséeetdelari hesse desdonnéesexpérimentales. Cesdonnéesissuesd'avan éeste hnologiquesré entesenmatièrede apteur (plateformehautdébit,donnéesGPS) sontparti ulièrementvolumineuses.Dans ebut, ilaétéaussiné essairedetravaillersurl'organisationdesdonnées etdela onnaissan e.Notreinvestissementsur e thèmes'esta rudepuis2007.
C.1 Organisation de données à haut débit et de leur annotation
Conduirel'étudedesystèmesdynamiquesagronomiquesetleursintera tionsave l'environnement onfrontenos ollèguesàdes problématiquesde gestion de donnéeshétérogènes et multisour es. Nous avonsapporté unsoutien méthodologiqueimportantpourla on eptionetledéveloppementdeplusieursbasesdedonnéesetl'organisationdes ux dedonnéesasso iés.Ce travail lassique maistoujoursdéli at resteunpassageobligatoirepourbien exploiter lesdonnées.Ce adrede ollaborationnousapermisderé-utiliseret demontrerlagénéri itédenostravauxsurles l'organisationdedonnéesissuesdesystèmesdynamiquesetlesannotations[COM12℄( fse tionssuivantes).Ainsinous avonsmenéàbienplusieurs ollaborationsillustréesparlesréalisationssuivantes:Cin alli(BDinternationalemaïs en hamps),Phénodyn(plateformehautdébitmaïs)[AFF4,AFF3℄,Phénopsys(plateformehautdébitArabidopsis) [ACTN10℄,SI-Tournesol(EtudeTournesol, ollaborationLEPSEet Syngentasemen es),True(CTP).
C.2 Simulation et prévision du omportement de systèmes
Dansle adreduprojetECCOdesvergers,nousnoussommesintéressésaupilotagedesintera tions fon tion-nelles du système pê her-pu erons par l'asso iation de méthodes himiques, biologiques (lâ her de prédateurs) et ulturales (taille d'hiveret fertilisation azotée). Les intera tions entre les éléments trophiques du système et leur pilotageontétémodéliséesenlienave lesvariablesenvironnementales.Lemodèle,appuyésurunestru turedetype Lotka-Volterra,est onstituédeplusieursboîtes etintègredes onnaissan es déjàa quiseset desdonnéesissuesde nouvellesexpérimentations[ACL37,ACL38℄.Ainsi,modèlesmé anisteset empiriques ohabitent.Lemodèleglobal reproduitqualitativementle omportementdusystème[ACTI10℄.Dess énarioste hniquesontétéévaluésen simula-tionsurlabasedeperforman esexigéesparla lièrefruits[ACTI11℄.Lasimulationpermetd'intégrerdespro essus àdesé hellesvariées(temporelles,d'organisationduvivant)etdesimuler lesystèmeglobalobtenu pourtesterdes hypothèsessurlefon tionnementà etteé helleglobale.
C.3 Aide à la dé ision
Nousavonsengagédestravauxsurtroisaxes.Lepremieraxeviseàla onstru tiond'unoutild'aideàladé ision pourproduire des vins sensoriellementdiérents enfon tion de l'itinéraire te hnique. L'outil seprésenterasousla formed'untableaudebordregroupantdiérentstypesd'indi ateurs.Cesindi ateurs ara tériserontleterroirdans sadé nition lapluslarge,àsavoirenprenanten omptel'environnement(le limatetles ara téristiquesdusolet dusous-sol)etles hoixte hniquesduvigneron( hoixdu épageetdusystèmede onduite,desitinéraires ulturaux et de ladate devendange).Ces diérentsindi ateursserontagrégéssousforme d'un indi e global ara térisantla vendangeet/ouletypedevinpouvantêtreespérés.Cetravail,quiadébuté n2008,estmenéen ollaborationave l'UMTViniterrad'Angersautraversd'unethèse.
Le se ondaxe estlié aufaitqueles donnéesagronomiquessontdeplusenplusfréquemmentissuesdemesures spatialisées, obtenues soit à hauterésolution de façon automatisée sur une grille régulière(mesures de ouverture végétaleparexemple),soitmanuellement(vigueur,attaqueparasitaire...)surunegrilleirrégulière.Lesquestionsde re her he portent sur l'apprentissage dezones ontinues et relativementhomogènessur des artes,à partirde es donnéesnumériqueset sous ontraintede la onnaissan eexpertedisponible. Ils'agit d'adapterdesalgorithmesde segmentationissus del'analyse d'image.L'agrégationet la omparaisonappro héede es artessontdes questions subséquentesqui fontappelàdesméthodesde raisonnementdansl'in ertain.En2009,ungroupedetravail(UMR LISAH,ITAP, ASB)apermisd'avan ersur esquestions [ACTI6℄.
En n,dansle adreduprogrammeImpa tsduprojetANRAgri ultureetDéveloppementdurable(2006-2009), nousavonsparti ipéd'unepartausous-projetModélisationetoptimisationdesapportseau-azoteengrandes ultures en ontextealéatoire(maquetted'un modèlederendementsàespa ed'état, poursonidenti ationpar ltrage),et d'autrepartau sous-projet Modélisation é onométrique de l'utilisation dusolen Fran e,pour lequelnous avons développéunmodèled'évolutionàtempsdis retetàespa ed'état,in luantdes o-variablesso io-é onomiques,outil possibled'évaluationde ertaines onséquen esdelaréformedelaPAC.
D. Pro édes de transformation des aliments
Les enjeux prioritaires autour de l'alimentation portent sur l'adaptation des ara téristiques des aliments aux attentesdu onsommateur,plusparti ulièrementdanslesdomainesdelasé uritéetdelaqualité(nutrition,plaisir et fa ilitéd'emploi).Dans e adre, nousnous intéressonsauxpro édés detransformation desaliments. Notre ob-je tif est dedévelopperet d'adapter denouvellesméthodesqui permettent deprendre en ompte et d'intégrerdes masses de donnéestemporellespas ou peu réparties tout lelong dupro essus (parexemple une information ri he enentréeetsortiedespro édésmaispauvresouinexistanteslelongde ertainesphases),pourla ompréhensionde
onnaissan eet lastatistiquepourdonnéesfon tionnelles.Untravailbasésur desappro hesdéterministesvientde débutersur ethèmeappli atif, enlien ave lethèmeé ologiemi robienne.Durantlapériode2005-2007,notre in-vestissementsur ethèmeaétélimitéetlesrésultatslesplusmarquantsontétélaprodu tiondelogi ielsutiliséspar deséquipesdere her hemaiségalementauseinde lièresprofessionnelle.Depuis2008,nosa tivitéssur ethèmese sontrenfor ées,ets'appuientengrandepartiesurleprojeteuropéenCAFE,dontl'UMRestpartenaire( f i-dessous). Prin ipales ollaborations : UMRIATE et SPO (Montpellier),UMR GMPA (Grignon), UR Wageningen (Pays Bas),SPES(Italie).
Prin ipauxLogi iels.Lesystèmed'informationGrainvirtuelestunoutildesynthèseetd'exploitationde l'en-sembledesdonnéesanalytiquesdisponiblessurles éréalesetleursproduitsdérivés.Ilaétédéveloppéenpartenariat ave l'UMRIATEaupro tde her heursdudomaine.
Uneétroite ollaborationsurplusieursannéesentrestatisti iens,automati iensetinformati iensdenotreUMR, et plusieurs her heursenbiologiedel'UMRS ien espourl'Oenologie,apermisdesavan éessigni ativesdansla maîtrisedelafermentation al ooliqueen onditionsoenologiques.Le modèle développégrâ e à ette ollaboration a donné lieu au logi iel de simulation de la fermentation Sofa, ave session de li en e à un partenaire industriel (Intelli'Oeno) et ommer ialisationen 2007. Ce logi iel omporteun module d'aide a ladé ision pour la onduite d'une uverie.Sofaaétéretenu entantquefait marquantdudépartementCEPIApourl'année2006etintégréau rapport re her heet innovation de edépartement.
Nousavons onçuetmisenexploitationunSystèmed'Informationdédiéàlagestiondefermentationsal ooliques réaliséessurdeux sites,auxé hellesdulaboratoire(30fermenteurs) et pilote(16 uves).Ce système oreunsuivi en lignedesfermentationset intègredesinformationsrelativesàunmillierexpérimentations,telles que onditions d'expérimentation,mesuresenligneetanalyseshorsligne,des riptionsdesopérationsouen orede onnaissan edu domaine.Ilpermet,parexemple,dequali erlesfermentations(lentes,languissantes,et )ouen ored'invaliderdes mesures.Plus de50mois/ingénieur,entre n2004et2009,ontéténé essairespoursondéveloppement.Ilestutilisé depuis2005auquotidienpardeséquipesdere her heet despartenairesindustriels.
ProjetCAFE.LeprojeteuropéenCAFE(17partenaires,montanttotalde7.33millionsd'euros,durée4ans), lan éen2008,viseàdévelopperetmettre enoeuvre denouveauxoutilsetméthodesd'ingénieriedespro édéspour ontr lere a ement,et defaçon exible, laprodu tion. L'obje tif de es méthodesest depouvoirpiloter haque étapeentempsréeletd'assurerunequalitédeproduittoutaulongdupro essus,plut tquede ontr leraposteriori le produit en nde pro édé. Lanouveauté duprojetrésidedans sa apa ité à ombiner PAT (Pro ess Analyti al Te hnology)et apteurs(existantsetnouveaux)ave desmodèlesspé i quespour:
- extrairelesinformations dupro édé sousformed'estimationspré ises devariables nonmesuréesdé nissantles attributs dequalitéduproduitet lesvariablesdupro édé,
- sauvegardereten oder es donnéesdansunformatadéquat,
- développer des méthodesde ontr le qui maintiennentune produ tion et une qualité uniforme, en dépit de la variabilitédelamatièrepremièreet/ouderéponses àdes hangementssoudaindelademande.
Les on epts, méthodes et outils développés au ours de e projet seront appliqués à quatre situations illustrant lesgrandes atégories de pro édés alimentaires: produ tion de vin (pro édés debio onversion),mi ro ltration de boissons(pro édésde séparation),lyophillisationdeba tériesla tiques(pro édésde onservation)et ristallisation delagla e(pro édésdestru turation).
Ce projet est oordonné par l'université atholique de Louvain. Notre UMR est responsable du workpa kage "Knowledgerepresentationanddata management".Lesmoyens, nan éspar eprojet,pourl'unité sont: 18mois ingénieur,unedemi-boursedethèse et30Keuros.
Aprèsunandetravail,nousavons onçu desmodèlesgénériquesdesystèmesd'informationpermettantunegestion dedonnéeshétérogènesetréparties(enligne,horsligne,symbolique,et ),etavonsélaborédesontologiesdontlebut estintégrerla onnaissan edudomainené essaireàl'exploitationd'expérimentations.Cette onnaissan eformalisée peut être exploitée par des appli ations logi ielles au pro t d'un olle tif pluri-dis iplinaire ( f Delivrable 2.1 du projet).
D.1 Méthodes d'intégrationde onnaissan es expertes etde données pourla dé ision L'essentieldenotretravailaétéee tuéave des lièrestraditionnellesenagroalimentaire,tellesquelafabri ation defromagesdepays(ComitéTe hniqueduComté)oulavini ation.Ladémar hequenous avonsmiseen ÷uvre, baséesurl'intégrationdusavoir-faireetsurl'apprentissageàpartirdesdonnéesdisponiblessurlepro édé,apermis unemeilleure ompréhensiondesvariablesin uentes auxdiérentesétapesdefabri ation.Cetravailadonnélieu à plusieursarti les[ACL9,ACL25, INV1, ACTN21,ACTN21,ACLN7℄ et une thèse, et aétéégalementvalorisépar uneutilisationlogi ielledansles lières,pourl'aideàladé isionetlatransmissiondusavoir-faire.Plus ré emment, nous avonsee tué des travauxportantsur la lière éréalière,en ollaborationave l'UMR IATE, a nd'intégrer des pro édures d'apprentissage dans des représentations à base de graphes on eptuels. Ce travail a ouvert des perspe tivesintéressantesdansle adreduraisonnementave desdonnéesrareset enprésen ed'in ertitude,quise sont on rétiséesparlapropositiond'unsujet dethèse.
L'étude de pro essus de transformation des aliments exige une gestion de données importante et spé i que. Ces données orrespondent àla des ription de onditionsd'expérimentation et de leur dynamique, àdes mesures (variéesdansleurstru tureetleurmoded'a quisition)etsurtoutàdesdes riptions nesd'opérations,d'interventions ou en ore d'in idents. L'obje tif a été de réeret de mettre en exploitation une nouvelle génération de Systèmes d'Information (SI) pourla gestion de donnéesd'expérimentation sur des pro édés de transformation des aliments [ACTN13℄.Ces SIsonta essibleset exploitablespardesappli ations logi iellesdontl'originalitéest de s'appuyer sur des annotations sémantiques qui permettent d'intégrer métadonnées et onnaissan es [ACTN12℄. Nous avons développéune appli ationqui déterminedesintervallesde on an esurdesmesuresdedébitdegazens'appuyant surdesontologies( etravailafaitl'objetd'unepubli ationsoumise etteannée).
D.3 Méthodes statistiques pour le pré-traitement de données
Ils'agitdetraiterdesdonnéesexpérimentalessousformede ourbes.Cela onsisteàvalider,re onstruireetlisser des ourbesàpartirdemodèlesderégressionfon tionnelleet de la onnaissan eexperte. Ledé est de formaliser la onnaissan e experte omme une ontrainte sur la forme et la régularité de la fon tion de régression, tout en s'assurantdel'existen edesolutions.Nospremierstravauxontdonnédesrésultatsprometteurs[ACL14℄et le adre bayésienapparaît ommeétantleplusadapté( fSe tion2.2.2).
2 Bilan des a tivités génériques
Nousdé rivonsi ilesrésultatsdontlaportéedépassele adredesappli ationsauxquellesilsontpuêtreasso iés.
2.1 Modélisation, systèmes dynamiques et optimisation. 2.1.1 Turnpike etéquations d'Hamilton-Ja obi
Nous avons proposé une nouvelle ondition né essaire et su sante d'optimalité de traje toires turnpike pour lesproblèmes de al ul de variations dont l'équation d'Euler est singulière[ACL98℄. Notreméthode, basée sur les solutionsdevis ositéd'uneéquationdetypeHamilton-Ja obi,s'appliqueauxproblèmesadmettantplusieurssolutions àl'équationalgébriqued'Euler,etpermetdedéterminerquelturnpikeestoptimalenfon tiondela onditioninitiale. Nousavonségalementproposéuneexpressionexpli itedelafon tionvaleurlorsque ette onditionn'estpasvéri ée, par une te hnique de perturbation [ACL72℄. Cette te hnique s'applique aux problèmes de gestion de ressour es naturelles[ACL22℄et àla ommandedebiopro édés séquentiels[ACL35℄.
2.1.2 Fon tions de Lyapunov stri tes
Pourunsystèmenonlinéairedonné,laquestiondesavoirsionpeut onstruireunefon tiondeLyapunovstri te (i.e. telle quesadérivée le longdestraje toiresest dé nie négative),àpartirdela onnaissan ed'une fon tionde Lyapunovnonstri teaété étudiéepourdiérentestypesdesystèmes( faussilamonographie[OS1℄:
- autonomes[ACL85,ACL18℄,
- non-autonomes[ACL97,ACL86,ACL67,ACL69,ACL17℄, - hybrides[ACL46℄,
- stabilisésaumoyende ommandesadaptatives[ACL20℄.
Une desmotivations de estravaux provientdufait qu'ilest fréquentde onnaîtreune fon tionde Lyapunovnon stri tepourlesmodèlesbiologiques,alorsqu'"stri ti ant" elle- i,onpeutévaluerlarobustessedelastabilitéde es modèlesou onstruiredesloide ommande[ACL68,ACL48,ACL19,ACL18℄.
2.1.3 Systèmesà retard
Une te hnique de stabilisation de systèmes non linéaires feedforward ayant un retard pon tuel dans l'entrée arbitrairement grand est proposée dans [OS8℄, alors qu'une te hnique ba kstepping est adaptée aux retards dans l'entréedans[ACL84℄.Cerésultatestobtenupar onstru tiondefon tionnellesdeLyapunov-Krassovskiid'untype nouveau, onduisantàmontrerlastabilitéasymptotiqueglobaledesystèmesdontl'approximationlinéraireàl'origine n'estpasasymptotiquementstabilisable[ACL84,ACL8℄.Dans[ACL49℄estdémontréunrésultatgénéralpermettant d'assurerqu'unsystème asymptotiquementstable en bou le ferméeen l'absen e deretard onserve ette propriété lorsqueleretardestdetailleinférieureàune onstantedéterminéeexpli itement.
2.1.4 Modélisationprobabiliste
Une a tiviténaissante dans l'unité on erne la modélisation probabiliste à l'aide de pro essus markoviens. Un despremierstravauxa onsistéàdévelopperunmodèleindividu- entré sousformedepro essusdeMarkovàvaleur mesure ainsi que laméthode de simulation de Monte Carlo asso iée. L'appro he onsiste àexhiber le générateur in nitésimal du pro essus et d'en étudier les propriétés. Elle permet notamment d'étudier l'asymptotique en
[ACTI7,ACTN7, AP2 ℄.
2.2 Statistique et pro essus sto hastiques
2.2.1 Filtrageparti ulaire et déte tion de rupture de modèle.
Les travaux sur l'estimation fon tionnelleet l'estimation non paramétrique de densités de probabilitésse sont poursuivis, toujours dans le adre des modèles auto-régressifs [ACL64℄. Ils ont plus parti ulièrement on erné le ltragenonparamétriquedesystèmes dynamiquesnonlinéairesetsesappli ationsinférentielles.
L'utilisationdenoyauxde onvolutionpourl'estimationdedensités onditionnellesdevariablesd'étatnon obser-véesetdeparamètres,ad'aborddonnélieuaudéveloppementd'unefamillede ltresnonlinéairesditsà onvolution departi ules,d'utilisationplussouplequeles ltresparti ulaires lassiques(a èsauxloisd'erreursnonné essaire) et possédantdebonnespropriétésde onvergen epourlesdensitésestimées(norme
L
1
presquesûre)et pourleurs espéran es( onvergen epresquesûre).Publi ationsméthodologiques:[ACL100,ACLN5℄.Publi ationsappli atives: [ACLN8℄(biopro édés),[ACL61℄(agro-é o-systèmes),[ACTN4,ACTI1℄(mi robiologie).Basées sur e typede ltresnon paramétriques,desextensionsdes testsséquentiels lassiques detypeCUSUM (CumulativeSums), ontpermis detraiterleproblème deladéte tionde rupturefon tionnelleou paramétriquede modèle,dansplusieurssituationsimportantes:
- pro essusd'observationsd'unsystème dynamiquenonlinéaireàespa ed'état nonobservé. - pro essusauto-régressifnonlinéaireà omposantefon tionnellein onnue.
Lesappro hespar ltragenon paramétriqueutiliséesi iont onduit àdesrésultatsd'optimalitéasymptotique des règlesdedé ision orrespondantes(minimisationdupireretardmoyenàladéte tionsous ontraintedetemps mini-mumentrefaussesalarmes).Publi ationsméthodologiques:[ACL57,AP8 ,INV3,ACTI2,ACTN17℄.Lesextensions desrèglesCUSUMontportéégalementsurle al uldeseuiladaptatifpour estestsséquentielsderupture(par al ul dequantilesempiriques surdessimulationsdetraje toires).Ce seuil adaptatifgarantitlavaliditéduniveau hoisi d'erreurdepremièreespè e(faussealarme)malgrélanonstationnaritédelaloidelastatistiquedetestdansle as noni.i.d.Unegénéralisationde e al uldeseuiladaptatifàunepro édurededéte tionetidenti ation(diagnosti ) simultanéesderupturedemodèle,aégalementétéobtenue.Publi ationsméthodologiques:[ACL56,ACTN25℄. Pu-bli ationsappli atives:[ACLN4,ACTN18,ACTN20℄(biopro édés),[ACTN23,ACTN19,AP13℄(agro-alimentaire). 2.2.2 Dé isionbayésienne
L'étudedelarobustesseenthéoriedeladé isionbayésienneposedesproblèmesde al ul, ommeparexemple,le al uldesbornesinférieureetsupérieuredel'ensembledesdé isionsoptimales lorsquelafon tiond'utilitépar ourt une lasse donnée. La di ulté provient du fait qu'une dé ision optimale asso iée à une fon tion d'utilité est un argumentminimumquin'apasdesolutionexpli ite engénéral.Lespremierstravaux onsistaientsurtoutàtrouver des lassesd'utilitéspourlesquellesuntel al ulétaitpossibleassezfa ilement.Cependant,les lassesainsi onstruites n'étaientpastoujoursréalistesd'unpointde vuepratique.Dans nosdernierstravaux,nousadoptons unestratégie plusréalisteenpartantdes lassesd'utilitéstellesqu'ellesapparaîssentenpratique.Nousproposonsuneméthodede al ulappro hépour es lasses,desrésultatsthéoriquesde onvergen esdesapproximationsetuneimplémentation pratique[ACL1℄.Nousenvisageonsd'adapter etteméthodede al ul àl'aideàladé isionpourlespopulationsde saumonsatlantiquedansle adred'unethèseen adréepourmoitiédansl'UMR.
2.2.3 Statistiquesur les ourbes
L'a tivité autour de la statistique sur les ourbes est divisée en deux sous-thèmes : la régression bayésienne ave informationaprioriet la lassi ationde ourbes.Lepremiersous-thèmeaétémotivéparuntravailmenéen ollaborationave lelaboratoireINRAdePolignysurlafabri ationdefromage: ertainsenregistrementsd'évolution depHdonnaientdes ourbesdeformesaberrantes.Unepremièreméthodebayésiennederégressionsous ontraintes de formes et de régularitéa été étudiée (arti le en ours de réda tion)et une autre fait a tuellement l'objet d'un sujet de thèse dirigée à l'unité. Des problèmes similaires sont également ren ontrés dans les enregistrement de la roissan edumaïs.Ainsi, esousthèmes'ins ritdanslesthèmesappli atifsC.etD.Lestravauxsurla lassi ation de ourbessont,quantàeux,plusan ienset s'ins riventégalementdanslesmêmesthèmesappli atifs.
Ces travauxné essitentle lissagede donnéesfortement bruitéesa n d'obtenir une ourberégulière. Ce lissage est traditionnellementee tué ave des splines de lissage ubiques qui est l'outil naturelpour des fon tionsassez régulières dans unespa e de Sobolev d'ordre deux. Cependant, il est possibled'obtenir un meilleur lissage si l'on onnait larégularitéde la fon tionlisse sous-ja ente.Cette régularitéétantbien sur in onnue, unnouveaulisseur adaptatif àbase despline aétédéveloppé.En plusde sonétudethéorique,sonimplémentationinformatiqueafait l'objetd'unpa kageRdisponible surlesiteduCRAN.
2.2.4 MonteCarlo par haînes de Markovet MonteCarlo Séquentiel
Lesméthodes de statistique et de modélisation probabilistesnumériques sont de plus en plusutilisées dans le domaine de l'agronomie et l'é ologie. Dans e adre nous avons fait le point des possibilités oertes notamment en termes de modélisation bayésienne hiérar hique [ACL31℄. Les problèmes d'inféren e dans e domaine peuvent
te hniques non séquentielles ommela méthodesde Monte Carlopar haînesde Markov [ACL30, ACL4℄. Dans le premier as nous avonsétudié les te hniques par onvolutiondéjà proposéespar [ACLN5℄. Dans le deuxième as, nousavonsdéveloppédesméthodesdeMonte Carlopar haînesdeMarkovenparallèle.
2.2.5 Comparaisonetséle tionbayésiennes de modèles
- Modèles dynamiques àespa e d'étatnon linéaires:Un estimateurnonparamétrique onvergentd'un fa teurde Bayesentredeuxmodèles on urrentsaétédéveloppé,parestimationdesvraisemblan esmarginalesdesmodèles par ltreà onvolution.Ilpermetderésoudreleproblèmedela omparaisonstatistiquedemodèlesdynamiquesà espa ed'étatnonlinéaires,pourlequelles ritères lassiques(Akaïke,BIC,et )oupro édurestypeMCMC,sont inadaptés (non a essibilité des fon tions de vraisemblan e standard asso iées). Publi ation méthodologique : [ACL26℄. Publi ationsappli atives:[ACTI1℄ (mi robiologie).
- Modèles de régressions non linéaires multidimensionnelles : Une méthode de ross-validation bayésienne a été développéepourla omparaisondemodèlesderégressionmultiréponse on urrents,selonun ritèreditd'utilité espérée. Ce ritère repose sur les densités prédi tives a posteriori des réponses pon tuelles des modèles. Des estimations onvergentesde es densités peuvent-être obtenues soit parune méthodeMCMC hybride, soit par approximation onvergente desdensités a posteriori des paramètresde haque modèle. La supérioritéde ette appro heCV-bayésiennesurlesméthodesAIC,BICetCV-standardaétévéri ée [ACL54,ACL89℄.
2.2.6 Plani ationoptimale en régression nonlinéaire
L'a tivité de e thème repose sur une valorisation méthodologique detravaux antérieurs sur le al ul de plans d'expérien eoptimauxpourl'estimationdeparamètres,parminimisationdel'espéran eduvolumed'unerégionde on an eparamétriquedeniveauexa t(etnon asymptotique)[ACL74℄.
2.3 Informatique et représentation de la onnaissan e.
Dansledomainedessystèmesdynamiquesagronomiquesetenvironnementaux,lepartageainsiquelavalorisation d'expérimentationsetdesdonnéesproduitesestunvraiproblème.Parexemple,unmanqued'information on ernant des opérations ou des perturbations sur des mesures ou sur des onditions d'expérien e rendent elles i, dans la plupartdes as, utilisablesqu'à ourtterme etqueparungroupeextrêmementréduitdepersonnes.L'enjeuest de valoriserdes ensembles dedonnéesd'expérimentationsde façonpérenne pourun publi largeet varié (agronomes, modélisateurs, biologistes, généti iens, et ). Ces travaux sont dans la ontinuité de eux ee tués dans le projet européenTelema (2001-2005)[ACL93℄. Nous avonsdéveloppédes modules logi iels génériques deSI s ienti ques dédiésauxexpérimentations[ACTI17℄quiontpuêtredé linéspourdiérentessystèmes.Nosderniersdéveloppements opérationnelsintègrentdesmodulesd'annotationssémantiques.Cesannotationset onnaissan esformaliséesave les méthodologiesduwebsémantique(RDF,RDFS,OWL)asso iésàdesmé anismesd'inféren eontpermisd'apporter denouvellesfon tionnalitéspourlavalorisationdedonnées.
Egalement sur le plan méthodologique, une de nos appro hes est basée sur des systèmes de règles oues, qui permettent une passerelle entre symbolique et numérique, bien adaptéeàla prise en ompte des donnéeset dela onnaissan eexperte. Elle est menée en ollaboration ave leCemagref. Lathèse en adrée dans l'unité (en olla-borationave l'IRIT) a permis diérents types de règles oues (règles onjon tivesou impli atives), et de dé nir pré isément leurintérêt respe tifdans le adrede la supervision depro édés omplexes. Ce travailnovateur aété ré ompenséparunprix [ACTI26℄.
Au oursd'unedizained'annéesdetravailsurdesappli ationsenagronomie,nousavonsdéveloppélelogi ielopen sour eFisPro, adre ollaboratifde ollaborationexpertise-données.FisProproposeuneboîteàoutilsquipermetàun expertd'undomained'appli ationde on evoirdessystèmesd'inféren e oue,soitàpartirdesapropre onnaissan e, soitàpartird'unensemblededonnéesd'apprentissage.Celogi ielimplémentenospropresdéveloppementsainsique d'autresméthodes onnues, ompatibles ave les ritères d'interprétabilité des règles. Ilest utilisé à lafois parla ommunautés ienti queetpardes lièresprofessionnelles.
3 Bilan des a tivités de formation
Cette se tion présente les a tions de formation et d'enseignement, hors servi e des enseignants- her heurs de l'UMR.
3.1 A tions à destination d'étudiants
L'unitéassurela oordinationdupar oursdeMasterBiostatistiques ohabilitéparlesUniversitésdeMontpellier Iet II,etSupAgroMontpellierpourlapériode2005-2009.
L'ensembledel'unité intervientde façonrégulièredansles lièresdesmasters montpellierainsdebiostatistique etdemathématiques.
En plusdesmodules d'enseignementgérésparlesenseignants- her heursdel'UMR,l'unitéest responsabled'un module optionnel en 2ème année de SupAgro, intitulé Mathématiques pour la gestion de ressour es naturelles renouvelables (deuxsemainesbloquées).
(UMII,BordeauxI,ToulouseIII,Pau,paysduMaghrebdansle adreduprogrammeeuro-méditerranéen3+3).
3.2 A tions à destination de her heurs ou ingénieurs
L'unité organiserégulièrement des é oles- her heurset atelierssur la modélisation pour l'é ologie mi robienne (Gruissan2005et 2006,Avignon2007,laGrande Motte2008,St-Martin-de-Londres2009).
Enlienave laformationpermanentedu ampusSupaAgro/INRAmaisaussi ellesdel'IRDoudel'Engrefnous proposons et animons régulièrement des formations à destination d'un publi de her heurs ou d'ingénieurs. Ces stagesdeformationsportentautourdelamaitrisedeslogi ielsR,S ilaboudelagestionrépartiedepro édés.
En n, l'unité est impliquée dans la formation des jeunes her heurs organisée à l'INRA au sein du dispositif Ré exives, parti ipeégalementdans e adre auprojeteuropéenCEC-WYS (formation des jeunes her heursdes paysdel'Est)etàlaformationdesdo torantsdel'E oleDo toraleSIBAGHE
5
deMontpellier.
3.3 A tions de formation dans un adre international
Dans le adredu projet STIC-AMSUDMIFIMA, nous avonsanimé plusieurs ours àl'IMCA àLima (Pérou). Ces ours destinés à un publi de her heurs et d'étudiants, portaient sur des modèles de gestion de ressour es halieutiquesetleurs onfrontationsauxdonnées.
Depuis 2007, soutenus par le réseauSARIMA (GIS nan é par le MAE)et de l'AUF, des membres del'unité ontaniméplusieursateliersàMadagas ar("Probabilités,statistique,S ilab-Quelquesappli ationsenagronomie", "Logi ielS ilab","logi ielR").
5
Dans haque rubrique, les publi ations sont présentées dansunordre inversement honologique. Seuls les noms desmembrespermanentsetasso iés sontsoulignés.
ACL (Arti les dans des revues internationales ou nationales ave omité de le ture répertoriées dans les bases de données internationales)
[ACL1℄ Abraham, C, 2009. A omputation method in robust Bayesian de ision theory. InternationalJournal of Approximate reasoning,2009,50,289-302.
[ACL2℄ Boudjellaba, H., Sari T., 2009. Dynami trans riti al bifur ations in a lass of slow-fast predator-prey models.J.DierentialEquations246,2205-2225.
[ACL3℄ Campillo,F.,Rossi,V.,2009.Convolution lterbasedmethods forparameterestimationin general state-spa emodels.IEEETransa tionsonAerospa eandEle troni Systems,inpress.
[ACL4℄ Campillo,F.,Rakotozafy,R.,RossiV.,2009.Parallelandintera tingMarkov hainMonteCarloalgorithm. Mathemati sandComputersin Simulation,Vol.79,N.12,pp.3424-3433.
[ACL5℄ Dumont,M.,Harmand,J.,Rapaport,A.,Godon,J.J,2009.fun tionalmole ular ngerprints. Environmen-talMi robiology.Toappear.
[ACL6℄ El Hajji, M., Harmand, J. Chaker, H., Lobry, C., 2009. Asso iation between ompetition and obligate mutualismin a hemostat.JournalofBiologi alDynami s,InPress.
[ACL7℄ El Hajji, M., Rapaport,A., 2009. Pra ti al oexisten eoftwospe iesin the hemostat- aslow-fast ha-ra terization.Mathemati alBios ien es,218,1,33-39.
[ACL8℄ Gajardo,P.,Mazen ,F.,Ramirez,H., 2009.Competitiveex lusionprin ipleinamodelof hemostatwith delay.Dynami s ofContinuous,Dis reteandImpulsiveSystems.SeriesA: Mathemati alAnalysis,16pp. 253-272.
[ACL9℄ GoelzerA.,Charnomordi B.,ColombiéS.,FromionV., SablayrollesJ.M.,2009.Simulationand optimiza-tionsoftwareforal oholi fermentationin winemaking onditions.FoodControl,20,635-642.
[ACL10℄ Haegeman B., Etienne R., 2009. Neutral models with generalized spe iation. Bulletin of Mathemati al Biology71,1507-1519.
[ACL11℄ HaegemanB.,LoreauM.,2009.Trivialandnon-trivialappli ationsofentropymaximizationine ology:A replyto Shipley.Oikos118,1270-1278.
[ACL12℄ Hangan,T.,Murea, C., Sari,T., 2009. Poleni urvesonsurfa es of onstant urvature, Rend. Sem.Mat. Univ.Pol.Torino,67,1,59-76.
[ACL13℄ Jerry, M.,Rapaport,A., Cartigny,P.,2009. Canprote tedareaspotentiallyenlargeviabilitydomainsfor harvestingmanagement?NonlinearAnalysis: RealWorldAppli ations.Inpress.
[ACL14℄ Jeanson,S.,Hilgert,N.Coquillard,M.O.,Seukpanya,C.,Faiveley,M.,Neveu,P.,Abraham,C.,Georges u, V.,Four assié,P.,BeuvierE.,2009.Milka idi ationbyLa to o usla tisisimprovedbyde reasingthe levelofdissolvedoxygenratherthande reasingredoxpotentialinthemilkpriortoino ulation.Int.J.of FoodMi robiology,131(1),75-81.
[ACL15℄ JonesH,Charnomordi B.,DuboisD,etal.,2009.Pra ti alInferen eWithSystemsofGradualImpli ative Rules.IEEETransa tionsOnFuzzySystems,Volume.17,Num.1,Pages61-68.
[ACL16℄ Loisel,P.,Cartigny,P.,2009.Howtomodelmarinereserves?NonLinearAnalysis:RealWorldAppli ations, 10,pp1784-1796.
[ACL17℄ Mazen ,F., Maliso,M., 2009.Stri t Lyapunov fun tion onstru tionsunder LaSalle onditionswith an appli ationtoLotka-Volterrasystems.IEEETrans.Aut.Contr.,toappear.
[ACL18℄ Mazen ,F.,Maliso,M.,Bernard, O.,2009. Asimpli ed designforstri t Lyapunovfun tions under Ma-trosov onditions.IEEETransa tionsonAutomati Control,Vol.54,Issue1,pp.177-183.
[ACL19℄ Mazen ,F.,Maliso,M.,Harmand,J.,2009.Stabilizationinatwo-spe ies hemostatwithMonodgrowth fun tions.IEEETransa tionsonAutomati Control,Vol.54,No.4,pp.855-862.
[ACL20℄ Mazen ,F.,DeQueiroz,M.,Maliso.,M.,2009.UniformGlobalAsymptoti StabilityofaClassof Adapti-velyControlledNonlinearSystems.IEEETransa tionsonAutomati Control,Vol.54,No.5,pp.1152-1158. [ACL21℄ Mazouni,D.,Harmand,J.,RapaportA.,Hammouri,H.,2009.OptimalTimeSwit hing ControlforMulti
Rea tionBat hPro ess. OptimalControl,Appli ationsandMethods,in press.
[ACL22℄ O anaAnaya,E.,Cartigny,P.,Loisel,P.,2009.Singularin nitehorizon al ulusofvariations.Appli ations to sheriesmanagement,inthespe ialissue:Re entadvan esinin nitehorizonoptimal ontrol.Journal ofNonlinearandConvexAnalysis,10,2.
[ACL23℄ Piazza,A.,Rapaport,A., 2009.OptimalControlofRenewableResour eswithAlternativeUse. Mathema-ti alandComputerModelling.Inpress.
J.Theoreti alBiology,257,2,252-259.
[ACL25℄ ThomopoulosR.,Charnomordi B.,CuqB.,Abe assisJ.,2009.Arti ialIntelligen e-BasedDe ision Sup-port System to Manage Quality ofDurum Wheat Produ ts. InternationalAsso iation forCereal S ien e andTe hnology,Vol.1,No.3(toappear).
[ACL26℄ Vila,J.P.,Saley,I.,2009.Estimationdefa teursdeBayesentremodèlesdynamiquesnonlinéairesàespa e d'état.C.R.A ad.S i. Paris,Ser.I,347,7/8,pp.429-434.
[ACL27℄ Abraham, C., Cadre, B., 2008. Con entration of posterioridistributions with misspe i ed models, Pub. Inst.Stat.Univ.Paris,LII,fas .3,3-14.
[ACL28℄ Ami,D.,Hilgert, N.,PardoS.,Tidball, M.,2008.Is shing ompatiblewith environmental onservation? Asto hasti modelwithanelementofself-prote tion.NaturalResour eModeling,21,3,343-365.
[ACL29℄ Brighi,B.,Fru hard, A., Sari,T., 2008. Onthe BlasiusProblem. Advan esin Dierential Equations,13, 5-6,509-600.
[ACL30℄ Campillo,F.,Cantet,P.,Rakotozafy,R.,Rossi,V.,2008.MéthodesMCMCenintera tionpourl'évaluation deressour esnaturelles.ARIMA,8:64-80.
[ACL31℄ Campillo, F., Rossi,V. and Rakotozafy, R., 2008. Computational probability modeling and Bayesian in-feren e. ARIMA,Spe ialissue in honourofClaudeLobry, GauthierSallet andTew kSariand Hamidou Touré(eds.),9,123-143.
[ACL32℄ Cartigny, P., Gomez, W., Salgado, H., 2008. The spatial distribution of small and large s ale sherie., E ologi alModelling,Vo.212,Issues3-4,pp.513-521,2008.
[ACL33℄ Dramé,A.K.;Lobry,C.,Harmand,J.,Rapaport,A.,Mazen ,F.,2008.Multiplestableequilibriumpro les intubularbiorea tors.Mathemati alandComputerModelling.2008,48(11-12),1840-1853.
[ACL34℄ Dubois, J.P., Gillet, C., Hilgert, N., Balvay, G., 2008. The impa t of trophi hanges over 45 years on theEurasianper h,Per a uviatilis, populationofLakeGeneva.Aquati Living Resour es.2008,21 (4), 401-410.
[ACL35℄ Gajardo,P.,Ramirez,H.,Rapaport,A.,2008.MinimalTimeSequentialBat hRea torswithBoundedand ImpulseControlsforOneorMoreSpe ies.SIAMJournalonControlandOptimization,47(6):2827-2856 [ACL36℄ Gau herel,C.,Campillo,F.,Misson,L.,Guiot,J.,Boreux,J.J.,2008.Parameterizationofapro ess-based tree-growthmodel: omparison ofoptimization, MCMC andparti le lteringalgorithms. Environmental ModellingandSoftware,23(10-11),1280-1288.
[ACL37℄ Gre hi, I., Hilgert, N., Genard, M., Les ourret, F., 2008. Assessing pea h fruit refra tometri index at harvestwithasimplemodelbasedonfruitgrowt.,J.Amer.So .Hort.S i., 133,2,178-187.
[ACL38℄ Gre hi, I.,Sauge, M.H., Sauphanor, B., Hilgert, N., Senoussi, R., Les ourret, F., 2008. How does winter pruningae tpea h tree-Myzus persi aeintera tions. EntomologiaExperimentaliset Appli ata,128,3, 369-379.
[ACL39℄ Haegeman,B.,Loreau,M.,2008.Limitationsofentropymaximizationin e ology,Oikos117,1700-1710. [ACL40℄ HaegemanB.,EtienneR.S.,2008.Relaxingthezero-sumassumptioninneutralbiodiversitytheory.Journal
ofTheoreti alBiology,252,288-294.
[ACL41℄ HaegemanB., RapaportA., 2008. How o ulation an explain oexisten ein the hemostat. Journal of Biologi alDynami s2,1-13.
[ACL42℄ HaegemanB., Vanpeteghem D., Godon J.J.,Hamelin J.,2008. DNA reasso iation kineti s and diversity indi es:Ri hnessisnotri henough.Oikos117,177-181.
[ACL43℄ Harmand,J., Rapaport,A., Do hain, D.,Lobry,C., 2008.Mi robiale ologyand biopro ess ontrol : Op-portunities and hallenges.JournalofPro essControl.2008,18(9),865-875.
[ACL44℄ Lobry,C.,Sari,T.,2008.NonstandardAnalysisandrepresentationofreality.InternationalJ.Control,81, 3,519-536.
[ACL45℄ Lobry, C., and Sari, T., 2008. The peaking phenomenon and singular perturbations, Revue ARIMA, 9, 487-516.
[ACL46℄ Maliso,M., Mazen ,F., 2008. Constru tions of stri t Lyapunov fun tions for dis rete time and hybrid time-varyingsystems.NonlinearAnalysis:HybridSystems.Volume2,Issue2,Pages394-407.
[ACL47℄ Maliso,M.,Mazen ,F.,DeQueiroz,M.,2008.Tra kingandrobustnessanalysisfor ontrolled mi roele -trome hani alrelays.InternationalJournalofRobustandNonlinearControl.2008,18(18):1637-1656. [ACL48℄ Mazen ,F., Maliso,M.,Harmand, J.,2008.Further resultson stabilizationof periodi traje toriesfor a
hemostatwithtwospe ies. IEEETransa tionsonAutomati Control.2008,53(Spe ialissue):66-74. [ACL49℄ Mazen ,F.,Maliso,M.,Lin,Z., 2008.FurtherResultsonInput-to-State StabilityforNonlinearSystems
withDelayedFeedba ks.Automati a,Vol.44,Issue9,pp.2415-2421.
[ACL50℄ Pays,O.,Dubot,A.L.,Jarman,P.J.,Loisel,P.,Goldizen,A.W.,2008.Vigilan eandits omplexsyn hrony inthered-ne kedpademelon,Thylogalethetis.BehavioralE ology,Volume20,Num.1,pp.22-29.
losegrowthfun tions,ARIMA,Spe ialissuein honourof ClaudeLobry,GauthierSalletandTew kSari andHamidouTouré (eds.),9,231-243.
[ACL52℄ Rapaport, A., Harmand, J., 2008. Biologi al ontrol of the hemostat with nonmonotoni response and dierentremovalrates.Mathemati alBios ien esandEngineering,5(3),539-547.
[ACL53℄ Rapaport, A. Harmand, J., Mazen , F., 2008. Coexisten e in the design of a series of two hemostats. NonlinearAnalysisSeriesB:RealWorldAppli ations,9,pp.1052-1067.
[ACL54℄ Rossi,V.,Vila,J.P., 2008.Bayesiansele tionofmultiresponsenonlinearregressionmodel.Statisti s.2008, 42(4):291-311.
[ACL55℄ VanpeteghemD.,ZembO.,HaegemanB.,2008.Dynami sofneutralbiodiversity.Mathemati alBios ien es 212,88-98.
[ACL56℄ Verdier,G., Hilgert,N., Vila, J.P., 2008.Adaptivethreshold omputation forCUSUM-typepro edures in hangedete tionandisolationproblem.,Comp.Stat. andDataAnal.,52,9,4161-4174.
[ACL57℄ Verdier, G., Hilgert, N., Vila, J.P., 2008. Optimality of CUSUM Rule Approximations in Change-Point Dete tion Problems : Appli ation to Nonlinear State-Spa e Systems. IEEE Transa tions on Information Theory.2008, 54(11),5102-5112.
[ACL58℄ Boitard,S.,Loisel,P., 2007.Probabilitydistributionofhaplotypefrequen iesunderthetwo-lo us Wright-Fishermodelbydiusionapproximation.Theoreti alPopulationBiology,Volume71,Issue3,pp.380-391. [ACL59℄ Cornillon, P.A.,Matzner-Lober,E., 2007. Fore asting timeseries using prin ipal omponentsanalysis on
instrumentalvariables,Computationalstatisti sanddataanalysis,52,1269-1280.
[ACL60℄ Dester keS., Guillaume S., Charnomordi B., 2007. Building an interpretablefuzzy rule base from data using Orthogonal Least Squares - Appli ation to a depollution problem. Fuzzy Sets and Systems, 158, 2078-2094.
[ACL61℄ GimenezO.,RossiV.,ChoquetR.,DehaisC.,DorisB.,VarellaH.,VilaJ.P.,PradelR.,2007.Statespa e modellingofdataonmarkedindividuals.E ol.Modelling206,431-438
[ACL62℄ Grognard,F., Mazen , F., Rapaport, A., 2007. Polytopi Lyapunovfun tions for persisten eanalysis of ompetingspe ies.Dis reteandContinuousDynami alSystems-SerieB,8(1),pp.73-93.
[ACL63℄ HaegemanB., Lobry C., Harmand J. 2007. Modeling ba teria o ulation as density-dependentgrowth. AIChEJournal53,535-539.
[ACL64℄ Hilgert, N., Rossi,V., Vila, J.P., Wagner, V., 2007. Nonparametri identi ation and adaptive ontrol of un ertainnonlinearsystems,Communi ationsinStatisti s-TheoryandMethods,36, 14,pp.2509-2525. [ACL65℄ Lobry, C., Mazen , F., 2007. Ee t of Intra-spe i Competition on Persisten e in Competition Models.
Ele t.J.Di.Eqns., No.125,pp.1-10.
[ACL66℄ Mazen F., LobryC., Rapaport A., 2007. Persisten ein Ratio-Dependent Models of Consumer-Resour e Dynami s.Ele troni JournalofDierentialEquationsConferen e,15,pp211-220.
[ACL67℄ Mazen ,F.,Maliso,M., 2007.LyapunovFun tion Constru tionsforSlowlyTime-VaryingSystems. Ma-themati sofControl,SignalsandSystems,Vol.19,Number1,pp.1-21.
[ACL68℄ Mazen ,F., Maliso, M., De Leenheer, P., 2007. On the stability of periodi solutionsin the perturbed hemostat.Mathemati alBios ien esandEngineering,Vol.4,Number2,pp.319-338.
[ACL69℄ Mazen ,F.,Nesi ,D.,2007.Lyapunovfun tionsfortimevaryingsystemssatisfyinggeneralized onditions ofMatrosovtheorem.Mathemati sofControl,SignalsandSystems,Vol.19,Number2,pp.151-182. [ACL70℄ Pays O., Jarman, P.J., Loisel, P., Gerard, J.F., 2007. Coordination, independen e orsyn hronization of
individualvigilan eintheeasterngreykangaroo?AnimalBehaviour,Volume73,Issue4,pp.595-604. [ACL71℄ Pays,O.,Renaud,P.C.,Loisel,P.,Petit,M.,Gerard,J.F,Jarman,P.J.,2007.Preysyn hronizetheirvigilant
behaviourwithother groupmembers,Pro eedingsoftheRoyalSo ietyB-Biologi alS ien es, 274(1615), pp.1287-1291.
[ACL72℄ Rapaport A., Cartigny P., 2007. Nonturnpike Optimal Solutions and Their Approximations in In nite Horizon.JournalofOptimization,Theoryand Appli ations,133(3).
[ACL73℄ Sadok,W.,Naudin,P.,Boussuge,B.,Muller,B.,Wel ker,C.,Tardieu,F.,2007.Leafgrowthrateperunit thermaltimefollowsQTL-dependentdailypatternsin hundredsofmaizelinesundernaturally u tuating onditions.PlantCellandEnvironment,30(2),135-146.
[ACL74℄ Vila,J.P., Gau hi,J.P.,2007.Optimaldesignsbasedonexa t on den eregionsforparameterestimation ofanonlinearregressionmodel.JournalofStatisti alPlanningand Inferen e,137,9,2935-2953.
[ACL75℄ Zemb O.,Haegeman B., Delgenès J.-P., LebaronP., Godon, J.-J.,2007. SAFUM : Statisti al analysis of SSCP ngerprintsusingPCAproje tions,dendrogramsanddiversityestimators.Mole ularE ologyNotes 7,767-770.
[ACL76℄ Abraham, C., Biau, G. et Cadre, B., 2006. On the kernel rule for fun tion lassi ation. Annals of the instituteofStatisti sMathemati s 58,619-633.
