HAL Id: hal-02802139
https://hal.inrae.fr/hal-02802139
Submitted on 5 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.
Estimation bayésienne des paramètres d’un modèle de culture implémenté sous VLE
Arnaud Bensadoun, François Brun, Philippe Debaeke, Daniel Wallach, Luc Champolivier, Emmanuelle Mestries, Jean-Pierre Palleau
To cite this version:
Arnaud Bensadoun, François Brun, Philippe Debaeke, Daniel Wallach, Luc Champolivier, et al.. Es-
timation bayésienne des paramètres d’un modèle de culture implémenté sous VLE. Séminaire MIAJ,
Institut National de Recherche Agronomique (INRA). UR Unité de recherche Mathématiques et In-
formatique Appliquées (0341)., Mar 2012, Jouy-enJosas, France. 64 diapos. �hal-02802139�
Estimation bay´ esienne des param` etres d’un mod` ele de culture impl´ ement´ e sous VLE
Arnaud Bensadoun
Fran¸cois Brun (ACTA), Philippe Debaeke (INRA), Daniel Wallach (INRA), Luc Champolivier (CETIOM), Emmanuelle Mestries (CETIOM), Jean-Pierre Palleau (CETIOM)
S´ eminaire interne MIAJ
INRA–MIAJ–AGIR
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
D´ efinitions
Multi-Mod´ elisation
Un multi-mod` ele est un mod` ele qui rassemble plusieurs paradigmes ou formalismes dans sa r´ ealisation.
→ Augmente de la puissance descriptive du mod` ele
→ Introduit la notion de couplage
La multi-mod´ elisation est l’ensemble des concepts, outils et techniques de construction de multi-mod` eles.
Comment coupler des mod` eles h´ et´ erog` enes ?
Coupler des repr´ esentations de la dynamique des sous-syst` emes Int´ egration des notions de temps, d’espace, d’´ etats et de transition Directions possibles
Co-simulation : chaque sous-mod` ele a son propre simulateur.
La sp´ ecification des sous-syst` emes dans un formalisme unique : R´ e-´ ecriture de
D´ efinitions
Multi-Mod´ elisation
Un multi-mod` ele est un mod` ele qui rassemble plusieurs paradigmes ou formalismes dans sa r´ ealisation.
→ Augmente de la puissance descriptive du mod` ele
→ Introduit la notion de couplage
La multi-mod´ elisation est l’ensemble des concepts, outils et techniques de construction de multi-mod` eles.
Comment coupler des mod` eles h´ et´ erog` enes ?
Coupler des repr´ esentations de la dynamique des sous-syst` emes Int´ egration des notions de temps, d’espace, d’´ etats et de transition Directions possibles
Co-simulation : chaque sous-mod` ele a son propre simulateur.
La sp´ ecification des sous-syst` emes dans un formalisme unique : R´ e-´ ecriture de
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
DEVS
DEVS :
Un formalisme de mod´ elisation et de simulation de bas niveau. DEVS :
I
est un formalisme ` a ´ ev´ enements discrets
I
propose un ensemble d’algorithmes : les simulateurs abstraits
I
o` u les mod` eles sont compos´ es d’´ etats et de fonctions de transitions d’´ etats
I
propose une approche modulaire et hi´ erarchique
I
a une propri´ et´ e importante : un mod` ele coupl´ e poss` ede les mˆ emes propri´ et´ es qu’un mod` ele atomique
→ les formalismes de syst` emes dynamiques peuvent ˆ etre traduits en DEVS
(Source: Gauthier Quesnel)
DEVS
Les mod` eles atomiques et coupl´ es
M les mod` eles atomiques , N la hi´ erarchie de mod` eles ( M = hX , Y , S , δ
int, δ
ext, δ
con, τ, λi
N = hX , Y , D, {M
D}, C
i,ji
Multi-mod´ elisation
Un syst` eme (ici une exploitation) mod´ elis´ e sous la forme de sous-syst` eme d’´ equations aux diff´ erences (un
ensemble de parcelles)
Un syst` eme d´ ecisionnel mod´ elis´ e sous la forme d’un automate ` a ´ etat (quand semer ? quand irriguer ? quand r´ ecolter ? etc.)
Question
Comment les coupler dans un simulateur classique ?
Multi-mod´ elisation
Comment les coupler dans un simulateur classique
transformer le module de d´ ecision en
´ equation aux diff´ erences ?
r´ ealisation d’un couplage informatique ?
R´ esultats
Une troisi` eme possibilit´ e : utiliser un formalisme commun, DEVS
Multi-mod´ elisation
L’apport de DEVS : tout formalisme peut-ˆ etre traduit en DEVS :
→
→
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
VLE
L’environnement de laboratoire virtuel
VLE : Virtual Laboratory Environment VLE est:
Pour l’INRA (surtout les d´ epartements MIA et EA) :
“Un environnement de multi-mod´ elisation, de simulation et d’analyse de syst` emes dynamiques complexes.”
Pour Gauthier Quesnel (son concepteur, d´ eveloppeur) :
“Une impl´ ementation plutˆ ot r´ eussie des simulateurs DEVS :)”
Pour moi (un utilisateur):
Un logiciel libre, gratuit et utile pour r´ esoudre mes probl` emes.
Une ´ equipe de d´ eveloppement ` a l’´ ecoute des besoins et r´ eactive!
VLE
L’environnement de laboratoire virtuel
VLE : Virtual Laboratory Environment VLE est:
Pour l’INRA (surtout les d´ epartements MIA et EA) :
“Un environnement de multi-mod´ elisation, de simulation et d’analyse de syst` emes dynamiques complexes.”
Pour Gauthier Quesnel (son concepteur, d´ eveloppeur) :
“Une impl´ ementation plutˆ ot r´ eussie des simulateurs DEVS :)”
Pour moi (un utilisateur):
Un logiciel libre, gratuit et utile pour r´ esoudre mes probl` emes.
Une ´ equipe de d´ eveloppement ` a l’´ ecoute des besoins et r´ eactive!
VLE
L’environnement de laboratoire virtuel
VLE : Virtual Laboratory Environment VLE est:
Pour l’INRA (surtout les d´ epartements MIA et EA) :
“Un environnement de multi-mod´ elisation, de simulation et d’analyse de syst` emes dynamiques complexes.”
Pour Gauthier Quesnel (son concepteur, d´ eveloppeur) :
“Une impl´ ementation plutˆ ot r´ eussie des simulateurs DEVS :)”
Pour moi (un utilisateur):
Un logiciel libre, gratuit et utile pour r´ esoudre mes probl` emes.
Une ´ equipe de d´ eveloppement ` a l’´ ecoute des besoins et r´ eactive!
VLE
L’environnement de laboratoire virtuel
VLE : Virtual Laboratory Environment VLE est:
Pour l’INRA (surtout les d´ epartements MIA et EA) :
“Un environnement de multi-mod´ elisation, de simulation et d’analyse de syst` emes dynamiques complexes.”
Pour Gauthier Quesnel (son concepteur, d´ eveloppeur) :
“Une impl´ ementation plutˆ ot r´ eussie des simulateurs DEVS :)”
Pour moi (un utilisateur):
Un logiciel libre, gratuit et utile pour r´ esoudre mes probl` emes.
Une ´ equipe de d´ eveloppement ` a l’´ ecoute des besoins et r´ eactive!
R-VLE
La passerelle entre R et VLE
D´ efinitions
RVLE est un paquet pour le logiciel R utilisable sous Windows et GNU/Linux.
Il utilise une communication traditionnelle pour R, i.e via une biblioth` eque dynamique :portabilit´ e, efficacit´ e
Il permet :
I
Lecture des fichiers vpz
I
Modification des conditions initiales des mod` eles
I
Lancement des simulations
I
R´ ecup´ eration des r´ esultats sous forme d’objet R : matrices ou dataframes
Suffisant pour estimer les param` etres d’un mod` ele impl´ ement´ e sous VLE tout en
profitant des outils statistiques (RNG, test, coda,. . . ) d´ ej` a impl´ ement´ es sous R!
R-VLE
La passerelle entre R et VLE
D´ efinitions
RVLE est un paquet pour le logiciel R utilisable sous Windows et GNU/Linux.
Il utilise une communication traditionnelle pour R, i.e via une biblioth` eque dynamique :portabilit´ e, efficacit´ e
Il permet :
I
Lecture des fichiers vpz
I
Modification des conditions initiales des mod` eles
I
Lancement des simulations
I
R´ ecup´ eration des r´ esultats sous forme d’objet R : matrices ou dataframes
Suffisant pour estimer les param` etres d’un mod` ele impl´ ement´ e sous VLE tout en
profitant des outils statistiques (RNG, test, coda,. . . ) d´ ej` a impl´ ement´ es sous R!
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Le projet CASDAR
“Associer un niveau d’erreur aux pr´ edictions des mod` eles math´ ematiques pour l’agronomie et l’´ elevage.”
Objectifs
D´ efinir une d´ emarche g´ en´ erique pour associer un niveau d’erreur aux pr´ edictions des mod` eles utilis´ es en agronomie
L’appliquer sur plusieurs cas d’´ etude choisis pour repr´ esenter la diversit´ e des
cas d’utilisation (pr´ ediction, diagnostic, aide ` a la d´ ecision) et des informations
disponibles.
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
D´ emarche d’analyse d’incertitude
Etapes Tˆ aches
D´ efinition des besoins D´ efinition des variables d’int´ erˆ et et des contraintes Choix d’indicateur d’incertitudes
Identification des sources d’incertitudes Caract´ erisation des informations disponibles Analyse d’incertitudes Quantification des sources d’incertitudes
Propagation d’incertitude (Distribution des variables d’int´ erˆ et)
“Meilleure r´ eponse” (Valeur moyenne des variables d’int´ erˆ et)
Valeur des indicateurs d’incertitudes
Analyse des r´ esultats Analyse des contributions de chaque sources d’incertitudes V´ erification des hypoth` eses V´ erification avec des donn´ ees (observ´ ees)
Explicitation et analyse des hypoth` eses
D´ emarche d’analyse d’incertitude
Etapes Tˆ aches
D´ efinition des besoins D´ efinition des variables d’int´ erˆ et et des contraintes Choix d’indicateur d’incertitudes
Identification des sources d’incertitudes Caract´ erisation des informations disponibles Analyse d’incertitudes Quantification des sources d’incertitudes
Propagation d’incertitude (Distribution des variables d’int´ erˆ et)
“Meilleure r´ eponse” (Valeur moyenne des variables d’int´ erˆ et)
Valeur des indicateurs d’incertitudes
Analyse des r´ esultats Analyse des contributions de chaque sources d’incertitudes V´ erification des hypoth` eses V´ erification avec des donn´ ees (observ´ ees)
Explicitation et analyse des hypoth` eses
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
SUNFLO
Mod`ele de culture du tournesol
SUNFLO: mod` ele dynamique de simulation du fonctionnement de la culture du tournesol qui simule :
Jour apr` es jour
la progression de l’enracinement l’´ elaboration de la surface foliaire l’´ elaboration de la biomasse a´ erienne A la r´ ecolte
le rendement et la teneur en huile
⇒
SUNFLO
Mod`ele de culture du tournesol
SUNFLO: mod` ele dynamique de simulation du fonctionnement de la culture du tournesol qui simule :
Jour apr` es jour
la progression de l’enracinement l’´ elaboration de la surface foliaire l’´ elaboration de la biomasse a´ erienne A la r´ ecolte
le rendement et la teneur en huile
⇒
SUNFLO
Mod`ele de culture du tournesol
Variété Indicateur de stress
Conduite Parcelle SUNFLO Rendement, teneur huile
Sol Indicateur environementaux
Climat
Fig.: Repr´ esentation sch´ ematique du fonctionnement de SUNFLO (pour un utilisateur agronome)
A. Bensadoun (INRA) M´ethodes bay´esiennes sous VLE 23 / 45
SUNFLO
Mod`ele de culture du tournesol
Variables d’entrée Modèle biophysique Rendement, teneur huile
Sorties du modèle biophysique Entrées du modèle linéaire Modèle linéaire
Fig.: Repr´ esentation sch´ ematique du fonctionnement de SUNFLO (pour un mod´ elisateur)
A. Bensadoun (INRA) M´ethodes bay´esiennes sous VLE 24 / 45
SUNFLO
Mod`ele de culture du tournesol
Mesure physiologique (serre et champ) Modèle simple θGénotypique
Mesure agro au champ (LAI, biomasse. . . ) Modèle biophysique θT ournesol
Modèle linéaire θLM
Fig.: Repr´ esentation sch´ ematique des ´ etapes d’estimation des param` etres de SUNFLO (pour un statisticien)
A. Bensadoun (INRA) M´ethodes bay´esiennes sous VLE 25 / 45
SUNFLO
Mod`ele de culture du tournesol
Mesure physiologique (serre et champ) Modèle simple θGénotypique
Mesure agro au champ (LAI, biomasse. . . ) Modèle biophysique θT ournesol
Modèle linéaire θLM
Fig.: Repr´ esentation sch´ ematique des ´ etapes d’estimation des param` etres de SUNFLO (pour un statisticien)
A. Bensadoun (INRA) M´ethodes bay´esiennes sous VLE 26 / 45
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Le mod` ele statistique
y = f (X , θ) + ε ε ∼ N(0, σ
ε2)
On s’int´ eresse ici ` a la distribution de θ et σ
ε2conditionnellement ` a y En statistique bay´ esienne, on l’appelle la distribution a posteriori
P(θ, σ
2ε|y) ∝ P(y|θ, σ
ε2) × π(θ, σ
ε2)
⇒ Pas d’expression analytique de cette distribution.
⇒ Exploration num´ erique par m´ ethode de Monte-Carlo par Chaˆınes de Markov
(MCMC).
Le mod` ele statistique
y = f (X , θ) + ε ε ∼ N(0, σ
ε2)
On s’int´ eresse ici ` a la distribution de θ et σ
ε2conditionnellement ` a y En statistique bay´ esienne, on l’appelle la distribution a posteriori
P(θ, σ
2ε|y) ∝ P(y|θ, σ
ε2) × π(θ, σ
ε2)
⇒ Pas d’expression analytique de cette distribution.
⇒ Exploration num´ erique par m´ ethode de Monte-Carlo par Chaˆınes de Markov
(MCMC).
Le mod` ele statistique
y = f (X , θ) + ε ε ∼ N(0, σ
ε2)
On s’int´ eresse ici ` a la distribution de θ et σ
ε2conditionnellement ` a y En statistique bay´ esienne, on l’appelle la distribution a posteriori
P(θ, σ
2ε|y) ∝ P(y|θ, σ
ε2) × π(θ, σ
ε2)
⇒ Pas d’expression analytique de cette distribution.
⇒ Exploration num´ erique par m´ ethode de Monte-Carlo par Chaˆınes de Markov
(MCMC).
Le mod` ele statistique
y = f (X , θ) + ε ε ∼ N(0, σ
ε2)
On s’int´ eresse ici ` a la distribution de θ et σ
ε2conditionnellement ` a y En statistique bay´ esienne, on l’appelle la distribution a posteriori
P(θ, σ
2ε|y) ∝ P(y|θ, σ
ε2) × π(θ, σ
ε2)
⇒ Pas d’expression analytique de cette distribution.
⇒ Exploration num´ erique par m´ ethode de Monte-Carlo par Chaˆınes de Markov
(MCMC).
L’algorithme
Metropolis-Hastings within Gibbs
Echantillonnage de distributions conditionelles par ´ ´ etapes Etape 1 ´
P(θ|y, σ
ε2) ∝ P(y, σ
ε2|θ) × π(θ) Etape 2 ´
P(σ
2ε|y, θ) ∝ P(y, θ|σ
2ε) × π(σ
ε2)
N´ ecessite Des donn´ ees
Des connaissances a priori sur les param` etres Une fonction de vraisemblance
Une loi de proposition φ(.|θ
(n))
L’algorithme
Metropolis-Hastings within Gibbs
Echantillonnage de distributions conditionelles par ´ ´ etapes Etape 1 ´
P(θ|y, σ
ε2) ∝ P(y, σ
ε2|θ) × π(θ) Etape 2 ´
P(σ
2ε|y, θ) ∝ P(y, θ|σ
2ε) × π(σ
ε2)
N´ ecessite Des donn´ ees
Des connaissances a priori sur les param` etres Une fonction de vraisemblance
Une loi de proposition φ(.|θ
(n))
Metropolis-Hastings
´Etape 1
Fixer arbitrairement θ
(0)et σ
ε2(0)Tirer une valeur θ
∗(n+1)dans φ(θ
(n+1)|θ
(n)) Calculer le rapport ρ
ρ = P(y|θ
∗(n+1), σ
2ε(n)) × π(θ
∗(n+1)) P(y |θ
(n), σ
2ε(n)) × π(θ
(n)) Si ρ > 1 : θ
(n+1)= θ
∗(n+1)Sinon :
I
θ
(n+1)= θ
∗(n+1)avec probabilit´ e ρ
I
θ
(n+1)= θ
(n)avec probabilit´ e 1 − ρ
Apr` es cette ´ etape on a θ
(n+1), Il nous faut maintenant σ
ε2(n+1)Metropolis-Hastings
´Etape 1
Fixer arbitrairement θ
(0)et σ
ε2(0)Tirer une valeur θ
∗(n+1)dans φ(θ
(n+1)|θ
(n)) Calculer le rapport ρ
ρ = P(y|θ
∗(n+1), σ
2ε(n)) × π(θ
∗(n+1)) P(y |θ
(n), σ
2ε(n)) × π(θ
(n)) Si ρ > 1 : θ
(n+1)= θ
∗(n+1)Sinon :
I
θ
(n+1)= θ
∗(n+1)avec probabilit´ e ρ
I
θ
(n+1)= θ
(n)avec probabilit´ e 1 − ρ
Apr` es cette ´ etape on a θ
(n+1), Il nous faut maintenant σ
ε2(n+1)Gibbs
´Etape 2
On doit ´ echantillonner dans la distribution
P(σ
2ε|y, θ) ∝ P(y, θ|σ
2ε) × π(σ
ε2)
⇒ On pose π(σ
2ε) =
σ12ε
(Loi de Jeffrey)
Gibbs
´Etape 2
On a
P(σ
ε2|y , θ) ∝ 1 p 2πσ
2εN/2e
PNk=0(yk−f(Xk,θ))2/2σε2× 1 σ
ε2⇒ On pose τ =
σ12 ε⇒ On reconnaˆıt la loi Gamma: τ ∼ Γ(α =
N2+ 2, β =
PN 2k=0(yk−f(Xk,θ))2
)
⇒ On obtient directement σ
ε2(n+1)Gibbs
´Etape 2
On a
P(σ
ε2|y , θ) ∝ 1 p 2πσ
2εN/2e
PNk=0(yk−f(Xk,θ))2/2σε2× 1 σ
ε2⇒ On pose τ =
σ12 ε⇒ On reconnaˆıt la loi Gamma: τ ∼ Γ(α =
N2+ 2, β =
PN 2k=0(yk−f(Xk,θ))2
)
⇒ On obtient directement σ
ε2(n+1)Choix initiaux
On choisit
φ(θ
(n+1)|θ
(n)) ∼ N (θ
(n), Σ × tune )
⇒ Loi multinormale ` a 15 dimensions
⇒ L’efficacit´ e de la m´ ethode r´ eside dans un choix judicieux de Σ et de tune
⇒ On prend Σ = Diag(Var [π(θ)]) et tune = 1 pour commencer. . .
Choix initiaux
On choisit
φ(θ
(n+1)|θ
(n)) ∼ N (θ
(n), Σ × tune )
⇒ Loi multinormale ` a 15 dimensions
⇒ L’efficacit´ e de la m´ ethode r´ eside dans un choix judicieux de Σ et de tune
⇒ On prend Σ = Diag(Var [π(θ)]) et tune = 1 pour commencer. . .
Choix initiaux
On choisit
φ(θ
(n+1)|θ
(n)) ∼ N (θ
(n), Σ × tune )
⇒ Loi multinormale ` a 15 dimensions
⇒ L’efficacit´ e de la m´ ethode r´ eside dans un choix judicieux de Σ et de tune
⇒ On prend Σ = Diag(Var [π(θ)]) et tune = 1 pour commencer. . .
R´ eglages
Constat: Σ = Diag (Var [π(θ)]) et tune = 1 ⇒ Inefficace Strat´ egie pour tune :
Robert et Casella (2004) sugg` erent que le taux de rejet optimum en grande dimensions est de 74%
Optimisation du taux de rejet par tune
Strat´ egie pour Σ :
1
errun avec Σ = Diag (Var [π(θ)]) et tune = 1
⇒ obtention de quelques ´ echantillons θ
(test)Recalcul de Σ comme Var (θ
(test)).
2
`emerun avec le nouveau Σ
R´ eglages
Constat: Σ = Diag (Var [π(θ)]) et tune = 1 ⇒ Inefficace Strat´ egie pour tune :
Robert et Casella (2004) sugg` erent que le taux de rejet optimum en grande dimensions est de 74%
Optimisation du taux de rejet par tune Strat´ egie pour Σ :
1
errun avec Σ = Diag (Var [π(θ)]) et tune = 1
⇒ obtention de quelques ´ echantillons θ
(test)Recalcul de Σ comme Var (θ
(test)).
2
`emerun avec le nouveau Σ
R´ eglages
Constat: Σ = Diag (Var [π(θ)]) et tune = 1 ⇒ Inefficace Strat´ egie pour tune :
Robert et Casella (2004) sugg` erent que le taux de rejet optimum en grande dimensions est de 74%
Optimisation du taux de rejet par tune Strat´ egie pour Σ :
1
errun avec Σ = Diag (Var [π(θ)]) et tune = 1
⇒ obtention de quelques ´ echantillons θ
(test)Recalcul de Σ comme Var (θ
(test)).
2
`emerun avec le nouveau Σ
Impl´ ementation
Sous R
D´ efinition d’un plan d’exp´ eriences X<-plandexp(tabUSM)
D´ efinition des param` etres de la chaˆıne de Markov paramMCMC<-planprior(tabPrior)
⇓
Construction de la chaˆıne de Markov mcmc<-RIBS(X,paramMCMC,...,)
RIBS : RIBS Implentation of a Bayesian Sampler
Impl´ ementation
Sous R
D´ efinition d’un plan d’exp´ eriences X<-plandexp(tabUSM)
D´ efinition des param` etres de la chaˆıne de Markov paramMCMC<-planprior(tabPrior)
⇓
Construction de la chaˆıne de Markov mcmc<-RIBS(X,paramMCMC,...,)
RIBS : RIBS Implentation of a Bayesian Sampler
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Les param` etres
Fig.: Trace et distribution d’un param` etre du mod` ele
Les param` etres
Fig.: Trace et distribution d’un param` etre du mod` ele
Les pr´ edictions
Les pr´ edictions
Plan
1
Cadre informatique D´ efinitions
DEVS et la Multi-Mod´ elisation VLE et R-VLE
2
Cadre agronomique Le projet CASDAR L’analyse d’incertitude Le mod` ele SUNFLO
3
Cadre statistique Mat´ eriels et M´ ethodes R´ esultats
4
Conclusion et perspectives
Conclusions
La m´ ethode fonctionne
⇒ On peut estimer les param` etres d’un mod` ele de culture dynamique par une approche bay´ esienne
⇒ Reste quelques probl` emes :
I
Temps de calcul
I
Connexions entre les mod` eles
Interaction ais´ ee avec le mod` ele VLE via RVLE
I
D´ efinitions des param` etres
I
D´ efinitions des unit´ es de simulations
I
Lancement du mod` ele
I
R´ ecup´ eration des sorties
I
Quelques modifications mineures dans le mod` ele VLE (format “map” non pris en charge par RVLE)
= ⇒Facilit´ e d’interfa¸ cage des m´ ethodes d’estimation de param` etres, d’analyse de
sensibilit´ e,. . . fournis par R avec les mod` eles impl´ ement´ e sous VLE
Conclusions
La m´ ethode fonctionne
⇒ On peut estimer les param` etres d’un mod` ele de culture dynamique par une approche bay´ esienne
⇒ Reste quelques probl` emes :
I
Temps de calcul
I
Connexions entre les mod` eles
Interaction ais´ ee avec le mod` ele VLE via RVLE
I
D´ efinitions des param` etres
I
D´ efinitions des unit´ es de simulations
I
Lancement du mod` ele
I
R´ ecup´ eration des sorties
I
Quelques modifications mineures dans le mod` ele VLE (format “map” non pris en charge par RVLE)
= ⇒Facilit´ e d’interfa¸ cage des m´ ethodes d’estimation de param` etres, d’analyse de
sensibilit´ e,. . . fournis par R avec les mod` eles impl´ ement´ e sous VLE
Conclusions
La m´ ethode fonctionne
⇒ On peut estimer les param` etres d’un mod` ele de culture dynamique par une approche bay´ esienne
⇒ Reste quelques probl` emes :
I
Temps de calcul
I
Connexions entre les mod` eles
Interaction ais´ ee avec le mod` ele VLE via RVLE
I
D´ efinitions des param` etres
I
D´ efinitions des unit´ es de simulations
I
Lancement du mod` ele
I
R´ ecup´ eration des sorties
I
Quelques modifications mineures dans le mod` ele VLE (format “map” non pris en charge par RVLE)
= ⇒Facilit´ e d’interfa¸ cage des m´ ethodes d’estimation de param` etres, d’analyse de
sensibilit´ e,. . . fournis par R avec les mod` eles impl´ ement´ e sous VLE
Perspectives
Faciliter l’acc` es aux m´ ethodes disponibles
I
Travail en cours dans le cadre du RMT mod´ elisation (www.modelia.org)
I
Cr´ eation de ressources p´ edagogiques sous R
I
Diff´ erents mod` eles exemples pour l’agronomie et l’environnement Edition d’un livre d’exercice ´
Organisation de sessions de formations
Merci pour votre attention
Des questions?