Identification des observations inattendues dans les projets de crowdsourcing territoriaux en agriculture : le cas du suivi de l'état hydrique de la vigne à l'échelle régionale.

Identifying unexpected observations in territorial crowdsourcing projects for agriculture: the case of vine water status monitoring at regional scale.

• Auteur / Autrice : Don Ced Ogoumond
• Direction : Bruno Tisseyre
• Type : Projet de thèse
• Discipline(s) : EFSA-Environnement, Territoires et Sociétés
• Date : Inscription en doctorat le 04/11/2024
• Etablissement(s) : Institut Agro
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : ITAP - Technologies & méthodes pour les agricultures de demain
• Partenaire(s) de recherche : École d'inscription : L'Institut Agro Montpellier (2020-....)

Mots clés

Mots clés libres

Crowdsourcing

État hydrique de la vigne

Données aberrantes

Observations surprenantes

Approche bayésienne

Statistiques spatiales

Crowdsourcing

Vine water status

Outliers

Unexpected observations

Bayesian approach

Geostatistics

Résumé

Dans un contexte de changement climatique, suivre l'état hydrique du vignoble à l'échelle régionale est un enjeu capital pour aider les acteurs de la filière viticole dans leurs prises de décision à court et à long terme. L'une des approches prometteuses pour réaliser ce suivi est la collecte collaborative d'observations par les acteurs de la filière viticole (crowdsourcing). Le crowdsourcing a déjà montré sa capacité à collecter un volume de données important, en particulier à travers l'application ApeX-Vigne initiée par l'équipe de ce projet. Le chaînon manquant pour que cette approche se démocratise est le développement de méthodes d'analyse des données collectées. L'identification d'observations inattendues est un enjeu particulièrement fort, car celles-ci peuvent être soit des observations aberrantes qui doivent être éliminées pour améliorer la qualité globale du jeu de données, soit, au contraire, des observations intéressantes qui traduisent un système de culture original ou des conditions pédo-climatiques atypiques. Les phénomènes étudiés sont saisonniers et se déroulent généralement selon une dynamique temporelle connue. Ils dépendent également souvent du milieu (sol, climat, etc.) et sont donc aussi structurés dans l'espace. Les approches proposées dans le cadre de cette thèse chercheront à s'appuyer sur cette connaissance des phénomènes étudiés pour définir un comportement attendu et identifier les observations qui s'en écartent. La formalisation de cette connaissance pourra s'appuyer sur des données historiques (ex: séries temporelles d'observations de référence) ou des données auxiliaires (ex: séries temporelles d'images de télédétection). Des méthodes de statistiques spatio-temporelles seront utilisées, et un cadre bayésien sera privilégié. D'autres approches, comme l'utilisation de prédiction conformelle pourront également être testées.

In the context of climate change, monitoring vine water status at the regional scale is of paramount importance for short- and long-term decisions. One of the promising approaches for this monitoring is the collaborative collection of observations by stakeholders of the wine industry, known as crowdsourcing. Crowdsourcing has already demonstrated its ability to collect a large amount of observations, particularly with the ApeX-Vigne application initiated by the project team. For the democratization of this approach, the missing link is the development of methods for analyzing the collected data. The identification of unexpected observations is a particularly important challenge, as these may be either aberrant observations that need to be eliminated to improve the overall quality of the dataset or, on the contrary, interesting observations that may reflect an original growing system or atypical soil and climate conditions. The phenomena under study are seasonal and generally follow a known and expected temporal dynamic. They also often depend on the environment (soil, climate, etc.), as for drought, and are therefore also spatially structured. The approaches that will be explored in this thesis will seek to use this knowledge about the phenomena under study to define expected behavior and identify observations deviating from it. The formalization of this knowledge may be based on historical data (e.g. historical time series of vine water status monitoring on reference plots) or auxiliary data (e.g. time series of remote sensing images). Spatio-temporal statistical methods will be used, and a Bayesian framework will be favored. Other approaches, such as the use of conformal prediction, may also be tested.