Analyse de Données en Agronomie : modélisation et prédiction de séries temporelles contextualisées

Data Analysis in Agronomy: Modeling and Prediction of Contextualized Time Series

• Auteur / Autrice : Jessy Azizi
• Direction : Vincent Guigue
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : MIA-Paris-Saclay - Mathématiques et Informatique Appliquées
• Partenaire(s) de recherche : Equipe de recherche : EKINOCS
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Réseaux neuronaux profonds

Apprentissage automatique

Séries temporelles

Modèles hybrides

Réseaux neuronaux informés par la physique

Modélisation mécaniste

Deep neural networks

Machine Learning

Time series

Hybrid models

Physics-informed models

Mechanistic approach

Résumé

L'analyse de données offre de nombreuses opportunités pour améliorer le pilotage des exploitations agricoles. Le projet PEPR (Programmes et équipements prioritaires de recherche) TwinFarms évalue l'intérêt de différentes approches, mécanistes et statistiques, pour neuf cas d'usage dans des domaines variés de l'agronomie, incluant cultures et élevage. Cette thèse se concentre sur la modélisation des jumeaux numériques et ne traite pas le contrôle opérationnel des exploitations. Elle cible spécifiquement les applications de modélisation et de prédiction basées sur des séries temporelles. L'objectif est de développer des outils suffisamment génériques pour être facilement adaptés à différents cas d'usage, à l'image des modèles fondamentaux récemment proposés pour les séries temporelles. Ces travaux combinent expertise agronomique et intelligence artificielle afin de proposer des solutions innovantes et transférables aux exploitations agricoles.

Data analysis offers numerous opportunities to improve the management of agricultural operations. The PEPR (Priority Research Programs and Equipment) TwinFarms project evaluates the relevance of different approaches, both mechanistic and statistical, for nine use cases across diverse areas of agronomy, including crops and livestock. This thesis focuses on the modeling of digital twins and does not address the operational control of farms. It specifically targets modeling and prediction applications based on time series. The goal is to develop tools that are sufficiently general to be easily adapted to different use cases, similar to the foundational models recently proposed for time series. This work combines agronomic expertise and artificial intelligence to provide innovative and transferable solutions for agricultural operations.