AgroStat : des indices aux prévisions agricoles

Intervenant 10:00

Bienvenue dans le podcast

Intervenant 20:01

du

Intervenant 10:01

magazine Tangente.

Intervenant 20:03

Salut à toutes et à tous.

Intervenant 10:04

Imaginons un instant juste une minuscule spore de champignons ou même un simple petit insecte qui atterrit tout discrètement dans un immense verger quelque part en Europe.

Intervenant 20:16

Ouais, le truc qui n'a l'air de rien

Intervenant 10:17

quoi. Exactement, à première vue, rien de bien méchant. Sauf qu'en quelques semaines, si les conditions sont réunies, ce visiteur microscopique, il a le potentiel de se multiplier et, littéralement, d'anéantir la totalité d'une récolte.

Intervenant 20:32

C'est le scénario catastrophe classique.

Intervenant 10:34

Voilà. Et pour contrer ça, on a longtemps cru que la solution ultime viendrait de la mécanique ou de la chimie. Vous savez, des tracteurs toujours plus autonomes, des drones pulvérisateurs.

Intervenant 20:45

Des fermes verticales ultramodernes, tout ça.

Intervenant 10:47

C'est ça. Bref, du matériel lourd. Mais la réalité, en fait, c'est que la ligne de front la plus décisive aujourd'hui, elle est totalement invisible. L'avenir de nos champs et donc de nos supermarchés, il se joue en ce moment même avec des statistiques avancées, de la génétique des populations et des mathématiques pures.

Intervenant 21:05

Oui, et ce qui est fascinant ici, c'est vraiment ce changement de paradigme. Parce que face au dérèglement climatique et à l'émergence hyper soudaine de nouvelles espèces invasives, la biologie traditionnelle a atteint ses limites.

Intervenant 11:18

Quand tu dis biologie traditionnelle, tu parles de l'observation sur le terrain.

Intervenant 21:22

C'est ça. Regarder les plantes, compter les pucerons, ça ne suffit plus du tout. Surtout avec l'urgence absolue de réduire notre dépendance aux pesticides. En fait, la biologie a besoin d'une puissance d'analyse quantitative que seules les mathématiques peuvent fournir.

Intervenant 11:37

Et c'est là qu'intervient le projet dont on parle aujourd'hui, non ?

Intervenant 21:41

Tout à fait. C'est toute l'ambition du projet AgroStat. C'est un programme de recherche majeur qui est super bien détaillé dans un article d'Arnaud Estoupe et Jean-Michel Marin.

Intervenant 11:50

Ouais, un article passionnant d'ailleurs.

Intervenant 21:52

Grave. Et ce projet, il réunit quand même une cinquantaine de scientifiques. Le but est précis. C'est de créer une fusion totale entre la biologie agronomique et la modélisation statistique la plus pointue.

Intervenant 12:06

L'objectif de notre exploration aujourd'hui, c'est justement de décortiquer cette fusion. Parce que bon, on peut se demander comment une équation peut concrètement empêcher une famine.

Intervenant 22:14

Ah bah c'est la grande question !

Intervenant 12:16

Souver une filière agricole face à des bio-agresseurs furtifs, Mais avant même de parler de modèles prédictifs capables de lire l'avenir, il y a un obstacle majeur. On a un champ immense, des millions de plantes, des milliards d'insectes potentiels. Comment on passe d'un champ de blé à une base de données mathématiques complexes ? On ne peut quand même pas séquencer l'ADN de chaque puceron.

Intervenant 22:40

En fait, le recueil de la donnée, c'est le tout premier goulot d'étranglement. Parce qu'on ne peut modéliser avec précision que ce que l'on parvient à mesurer correctement. Ce qui

Intervenant 12:50

semble logique,

Intervenant 22:51

oui. Les données dont on a besoin, elles sont d'une hétérogénéité folle. Il faut agréger des relevés de capteurs d'humidité enfouis dans le sol, avec des images multispectrales prises par des drones. Wow,

Intervenant 13:01

donc on mélange la terre et les airs.

Intervenant 23:03

Ouais, et on ajoute même des séquençages génétiques faits en labo. Du coup, le coût de collecte est immense. Le défi mathématique immédiat, c'est l'optimisation des stratégies d'échantillonnage, ce qu'on appelle la théorie des plans d'expérience. D'accord, la

Intervenant 13:17

théorie des plans d'expérience.

Intervenant 23:19

Voilà. En gros, sachant qu'on a un budget super limité, où est-ce qu'on doit placer nos capteurs dans l'espace et à quel moment précis pour avoir la meilleure image possible de la situation, tout en gardant une marge d'erreur acceptable ?

Intervenant 13:32

Ah, je vois. En fait, ça me fait penser à une immense partie de bataille navale, mais poussée à un niveau de stratégie vraiment extrême.

Intervenant 23:39

Ah ouais. Comment ça ?

Intervenant 13:42

Bah dans la bataille navale classique, l'adversaire cache ses navires, mais ici le bio-agresseur est non seulement caché, mais en plus il se déplace et il se multiplie.

Intervenant 23:50

C'est clair.

Intervenant 13:51

Donc, si je n'ai le droit de placer que, mettons, 5 radars sur un plateau de jeu gigantesque, j'ai tout intérêt à avoir une formule mathématique super solide pour calculer ma grille de placement parfaite, sinon je tire dans l'eau pendant que la menace ravage tout quoi.

Intervenant 24:04

L'analogie de la bataille navale est super bonne, ouais. Mais il faut y ajouter une couche de complexité qui rend le truc redoutable.

Intervenant 14:11

Ah bon ? Laquelle ?

Intervenant 24:12

Ce qui est fascinant ici, c'est que tes radars, bah, ils ne sont pas fiables. C'est un peu le brouillard de guerre. Même avec le meilleur drone et le meilleur algo d'intelligence artificielle, la mesure, elle est toujours incertaine.

Intervenant 14:23

Sérieusement ?

Intervenant 24:24

Même avec des capteurs de pointe ?

Intervenant 14:26

Ouais, imaginons une IA de vision par ordinateur sur un drone. Elle est programmée pour repérer une petite tache spécifique sur une feuille, le signe d'une maladie.

Intervenant 24:35

D'accord. Eh bien une lumière rasante au coucher du soleil, une ombre un peu bizarre ou même une simple éclaboussure de boue, ça peut totalement tromper l'algorithme. Il va signaler une infection grave alors que la plante pète la forme, Ou pire, il va ignorer le patient zéro d'une véritable épidémie.

Intervenant 14:53

Attends, attends. Donc, non seulement on doit deviner ou regarder avec très peu de moyens, mais en plus, quand on regarde, on doit partir du principe que l'info est potentiellement fausse.

Intervenant 25:02

Exactement.

Intervenant 15:03

Mais comment on peut faire des maths rigoureuses là-dessus ? Ça ressemble à un casse-tête complètement insoluble.

Intervenant 25:07

Et c'est là qu'intervient l'inférence Bayesienne.

Intervenant 15:10

Ah, le fameux théorème de base.

Intervenant 25:12

Voilà, c'est une branche des statistiques qui est, littéralement, conçue pour gérer l'incertitude et la révision des croyances. Au lieu de dire bêtement « le capteur a vu un insecte, donc il y a eu une invasion », l'approche beignésienne, elle, intègre le taux d'erreur de la machine directement dans le calcul.

Intervenant 15:30

Ok, pour essayer de vulgariser, c'est un peu comme regarder une application météo, non ?

Intervenant 25:36

C'est-à-dire ?

Intervenant 15:37

Si l'appli me dit qu'il pleut à 100%, mais que je regarde par la fenêtre et que je vois un grand soleil, je ne vais pas sortir avec un parapluie.

Intervenant 25:44

J'espère pas.

Intervenant 15:44

Voilà. En fait, mon cerveau fait une mise à jour bayésienne sans le savoir.