Thèse soutenue

Mise en place d’une méthodologie pour l’analyse de données GPS et accéléromètres afin d’améliorer la gestion du pâturage en élevage de bovins laitiers
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Lucile Riaboff
Direction : Guy PlantierSébastien CouvreurSébastien Aubin
Type : Thèse de doctorat
Discipline(s) : Acoustique
Date : Soutenance le 29/05/2020
Etablissement(s) : Le Mans
Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Centrale Nantes)
Partenaire(s) de recherche : Equipe de recherche : École supérieure d'électronique de l'ouest (Angers)
Laboratoire : Laboratoire d'acoustique de l'Université du Mans - Laboratoire d'Acoustique de l'Université du Mans / LAUM

Résumé

FR  |  
EN

Les prairies, en déclin depuis les années 1970, peuvent jouer un rôle majeur dans la transition agroécologique compte tenu de leurs nombreux atouts. Leur valorisation par le pâturage est néanmoins complexe à mettre en œuvre et conditionne directement les bénéfices attendus. Des outils numériques se développent pour optimiser la gestion du pâturage dans le cadre de l’élevage de précision, un concept qui s’appuie sur la révolution numérique. Ces outils restent cependant marginaux et leur plus-value est généralement mal perçue par les éleveurs. Le comportement et la position des vaches laitières devraient servir de support au développement de ces outils car ils sont des indicateurs potentiels de l’état de la ressource sur la parcelle, de la santé et du bien-être des animaux. Des capteurs accéléromètres et GPS embarqués permettent de remonter automatiquement ces informations à condition de mettre en œuvre des techniques d’analyses adaptées. Ce travail de thèse consiste (i) à mettre en place une méthodologie permettant de remonter automatiquement les principaux comportements des vaches laitières au pâturage à partir de capteurs accéléromètres et (ii) d’évaluer le potentiel de cette méthodologie combinée à des données de position pour répondre aux applications envisagées. Le cadre méthodologique développé s’appuie sur des techniques de traitement du signal non explorées dans la communauté concernée, associées à une combinaison d’algorithmes qui met en jeu la complémentarité entre des méthodes de machine learning et des modèles probabilistes. Il garantit ainsi une prédiction fiable pour un large spectre de comportements des vaches laitières au pâturage. La preuve de concept réalisée témoigne également du potentiel de la méthodologie, combinée à des données de position des animaux, pour détecter des troubles de confort en lien avec les conditions de pâturage. Cette approche pourrait donc servir de support au développement d’outils d’aide à la décision pour l’optimisation de la gestion du pâturage, constituant ainsi un levier potentiel dans la transition agroécologique.