Fouille de règles numériques pour la prédiction de la dynamique des maladies des plantes

Numerical rule mining for the prediction of plant disease dynamics.

• Auteur / Autrice : Olivier Gauriau
• Direction : Alexandre Termier, David Makowski, François Brun
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/11/2024
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : MATISSE
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - LACODAM
• Jury : Président / Présidente : Céline Robardet
• Jury : Examinateurs / Examinatrices : Alexandre Termier, David Makowski, Luis Galárraga
• Jury : Rapporteur / Rapporteuse : Marie-Odile Bancal, Dino Ienco

Mots clés

Mots clés contrôlés

Informatique

Plantes -- Maladies

Data visualisation

Apprentissage automatique

Mots clés libres

Apprentissage Automatique

Visualisation des données

Modèles interprétables

Protection des cultures

Machine Learning

Data Vizualisation

Dataviz

Crop protection

Interpretable Machine Learning

Résumé

Cette thèse se concentre sur la prédiction de la dynamique des maladies des plantes et les informations qui peuvent être tirées des modèles obtenus. Pour trouver un compromis entre la performance et la complexité du modèle, on a utilisé des modèles de complexité intermédiaire dits pattern-based. L’objectif était de parvenir à obtenir des modèles de ce type suffisamment performants en se basant sur des données météorologiques (comme les précipitations et l'ensoleillement) et agronomiques. Ces modèles ont été comparés à des modèles couramment utilisés en protection des cultures d’un point de vue du tradeoff entre la complexité et les performances des modèles. Compte tenu du caractère hybride des modèles pattern-based, on a cherché à comparer leurs structures et les informations qu’ils fournissent aux autres modèles. Ceci nous a permis de confirmer que les modèles pattern-based s’approchent des modèles plus complexes (RF, Gradient-Boosting…) tout en restant plus simples à comprendre. Ceci nous permet de supposer que les explications fournies par ces modèles sont pertinentes. Enfin, ces modèles ont été utilisés dans la mise au point d’un outil de visualisation : Cet outil a été mis au point en collaboration avec des experts agronomes d’instituts techniques pour obtenir un résultat adapté à leurs besoins. Cela a permis d’isoler des principes importants pour eux, comme la notion de contraste des informations fournies. L’outil permet de visualiser les facteurs agronomiques et météorologiques les plus impactants sur un ensemble de parcelles défini.

This thesis focuses on the prediction of plant disease dynamics and the information that can be derived from the resulting models. To find a compromise between model performance and complexity, pattern-based models of intermediate complexity were used. The aim was to obtain sufficiently efficient models of this type, based on meteorological (such as rainfall and sunshine) and agronomic data. These models were compared with models commonly used in crop protection from the point of view of the tradeoff between model complexity and performance. Given the hybrid nature of pattern-based models, we sought to compare their structures and the information they provide with other models. This enabled us to confirm that pattern-based models come close to more complex models (RF, Gradient-Boosting...) while remaining simpler to understand. This allows us to assume that the explanations provided by these models are relevant. Finally, these models were used in the development of a visualization tool: this tool was developed in collaboration with agronomic experts from technical institutes to obtain a result adapted to their needs. This made it possible to isolate important principles for them, such as the notion of contrast in the information provided. The tool visualizes the agronomic and meteorological factors with the greatest impact on a defined set of plots.