évaluation et incorporation de l'incertitude dans des modèles prédictifs des émissions de méthane entérique des ruminants

assessing and incorporating uncertainty into predictive models of enteric methane emissions from ruminants

• Auteur / Autrice : Paul Blondiaux
• Direction : Rafael MuÑoz-tamayo, Tristan Senga kiesse
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Agriculture, Alimentation, Biologie, Environnement, Santé
• Partenaire(s) de recherche : Laboratoire : MoSAR - Modélisation Systémique Appliquée aux Ruminants - UMR AgroParisTech/iNRA MoSAR
• Partenaire(s) de recherche : Référent : AgroParisTech

Mots clés

Mots clés libres

Émissions de méthane

Ruminants

Modèles mathématiques

Analyse d'incertitude

Analyse de sensibilité

Methane emissions

Ruminants

Mathematical models

Uncertainty analysis

Sensitivity analysis

Résumé

La modélisation des émissions de gaz à effet de serre (GES) des systèmes d'élevage est un sujet central pour le développement des inventaires de GES et pour le développement de stratégies de mitigation. La prédiction des GES se base sur des données à différentes échelles (pas journalier, moyenne annuelle), dont plusieurs sont liées aux caractéristiques des animaux et aux conditions de production. Cependant, le processus entier de collecte des données et de construction des modèles est soumis à des incertitudes qui impactent la précision des prédictions. Ce projet intégrera des analyses d'incertitude, de changement d'échelle temporelle (dynamique, statique) et d'unité de référence (animal, ferme) pour identifier des systèmes d'élevage durables avec une faible empreinte environnementale. L'objectif de ce projet est d'améliorer l'interprétation des prédictions de GES, d'identifier les limites des approches de modélisation actuelles et de proposer des améliorations des modèles. Les méthodes statistiques d'analyse bayésiennes et d'analyses de sensibilité seront utilisées de manière centrale dans ce projet.

Modeling the production of greenhouse gases (GHG) from livestock production systems is central for the development of GHG national inventories and for the development of GHG mitigation strategies. The prediction of GHG is based on various data regarding individual animals at a variety of scales (daily time-step, average data), with multiple variables related to animal characteristics and production. The full process of data collection and model construction is subjected to uncertainties that impact the accuracy of the model predictions. This project will integrate uncertainty and time-scale (dynamic vs static) and space-scale (animal, farm) analysis to identify sustainable livestock production systems with low environmental footprint. The objective is to enhance the interpretation of GHG predictions, identify limitations and propose model improvements. To this end, Bayesian techniques and sensitivity analyses will be the core approaches to be deployed in the project.