L'Agriculture Numérique exige de l'interdisciplinarité. En effet, concevoir de nouveaux outils et services pour l'agriculture numérique avec l'ambition de les diffuser auprès des usagers requiert non seulement des connaissances en sciences agricoles, technologiques et numériques, mais aussi en sciences sociales, de gestion et économiques. Ces dernières permettent d'améliorer la réussite de l'innovation et la compréhension des impacts sociétaux de celle-ci. Les communautés scientifiques sont organisées autour de 6 axes de recherche :
Axe 1 : Impact des technologies de l'information et de la communication sur le monde rural
Comprendre l'impact des TIC sur les sociétés rurales
Objectifs:
Comprendre la contribution des TIC à l'amélioration de la gestion des territoires et des exploitations.
Comprendre comment les nouveaux services liés aux TIC changent le rôle des acteurs de l'agriculture notamment au niveau du conseil agricole
Les TIC sont en train de profondément changer notre société, et il en est aussi attendu de révolutionner le secteur agricole. L'Agriculture Numérique peut ouvrir de nouvelles voies pour l'amélioration de la gestion des exploitations, des territoires et des filières agricoles. La manière dont ces TIC vont contribuer à ces dynamiques de changement à différentes échelles est encore en questionnement. En particulier, de nouveaux services vont être développés et il est capital d'analyser la manière dont les innovations peuvent contribuer aux changements organisationnels, économiques et institutionnels. L'impact économique de tels outils doit être évalué concernant la productivité, la compétitivité, les processus de gouvernance territoriaux et l'efficacité des politiques publiques.
Les exploitations visant un gain de productivité peuvent adopter les technologies de l'agriculture de précision (capteurs, traitement automatisé des données, systèmes d'aide à la décision, etc.) tandis que celles pratiquant une agriculture non-conventionnelle pourront employer d'autres technologies numériques pour communiquer, accéder aux informations, échanger. #DigitAg se focalise sur les problèmes d'adoption des TIC en agriculture.
Les TIC améliorent la création de collaborations horizontales et le développement de nouveaux réseaux. De nouveaux services sont créés et distribués par des organisations de tailles et de natures variées, y compris par des acteurs extérieurs à l'agriculture. Il est donc essentiel d'analyser à quel point ces innovations vont contribuer aux changements organisationnels, économiques et institutionnels.
De nouvelles relations entre exploitants et coopératives émergent par le biais des TIC, mais aussi de nouvelles organisations et réglementations au niveau du territoire et des chaines d'approvisionnement et filières agricoles. Enfin, les effets de tels outils doivent être évalués sur des critères de productivité, de compétitivité et de durabilité. Les changements opérés sur les processus de gouvernance à l'échelle du territoire rural, sur l'efficacité des politiques publiques liées à l'accompagnement, la transparence, le contrôle et la mobilisation du secteur agricole, sont aussi à étudier.
Quels sont les impacts des innovations liées aux TIC sur les pratiques, la gestion des ressources naturelles, les performances des exploitations, l'agriculture durable, la résilience, la marginalisation et l'emploi ? Est-ce que ces nouveaux services favorisent l'apparition de nouveaux schémas collaboratifs ? Est-ce que les technologies numériques modifient les relations exploitants - structures de conseil agricole ? Y'a-t-il un danger de perte d'autonomie dans la prise de décision par les agriculteurs ? Est-ce que les TIC font évoluer les relations public-privé ?
Responsables: Leïla Temri (Montpellier SupAgro), Jean-Marc Touzard (INRAE)
Unités: INNOVATION, MOISA, MRM, GREEN, LAMETA, AGIR (Toulouse)
Disciplines: Principalement économie, gestion et sciences sociales; Secondairement agronomie (connaissance prospective des systèmes de production), technologies du numérique
Axe 2: Innovation en agriculture numérique
Développement d'innovations liées aux TIC : défis technologiques, sociaux et juridiques
Objectifs:
Comprendre comment réussir les innovations techniques et organisationnelles en agriculture numérique
Répondre aux problèmes légaux et éthiques de propriété intellectuelle des données et connaissances, étudier les conséquences sur le partage de valeur
Cet axe de recherche est dédié aux enjeux sociaux, juridiques et de gestion, liés à l'innovation dans l'agriculture numérique. Une première approche scientifique consiste à comprendre la manière dont les outils et services numériques doivent être conçus pour être adoptés par les agriculteurs. Ce sujet soulève des questions sur les sciences de la conception, les processus d'apprentissage collectifs, la diffusion des innovations, ... De plus, cet axe de recherche s'intéresse aux problèmes éthiques et juridiques concernant les données et la propriété des connaissances. #DigitAg va contribuer à approfondir ces recherches.
Le développement d'innovations dans le domaine de la gestion a une forte importance dans l'agriculture numérique, et l'usage, la construction et la diffusion de ces innovations sont à étudier.
Les enjeux en matière de construction de l'innovation apparaissent avec l'implication des usagers dans les premiers stades du processus de conception. La co-conception d'outils d'aide à la décision avec les exploitants et acteurs régionaux, ainsi que les ateliers participatifs, sont une aide précieuse pour l'adaptation et la diffusion de produits et services répondant aux besoins réels des utilisateurs. Promouvoir la conception participative et la variété des modes de conception nécessite l'étude des différentes technologies et de la diversité de leurs usages.
Dans un contexte où l'innovation est de plus en plus ouverte, de nouvelles formes d'organisations d’accompagnement de l'innovation doivent être explorées (écosystèmes d'innovation, laboratoires vivants, ...). L'élaboration de ces nouveaux services amène des questions sur le développement de modes opératoires, la gouvernance, et le financement (modèles économiques).
Ensuite vient l'analyse des formes et déterminants de la diffusion des innovations auprès des exploitants, entreprises, coopératives et acteurs du territoires.
L'acquisition, l'analyse et la diffusion des données pose au final des problèmes éthiques et juridiques en ce qui concerne la propriété intellectuelle. Qui a accès aux données ? Qui contrôle et possède ces données (public, privé) et à quelles fins ? Si les lois sur la propriété intellectuelle s'appliquent aux bases de données, la question devient alors : Les bases de données sont-elles libres et gratuites d'utilisation, et est-ce que les données peuvent être diffusées à une grande échelle ?
Responsables: Sophie Mignon (Université de Montpellier), Danielle Galliano (INRAE)
Unités: MRM, DYNAMIQUES DU DROIT, MOISA, AGIR (Toulouse), INNOVATION, GREEN
Disciplines: Principalement gestion, droit et sciences sociales; Secondairement agronomie et technologies du numérique
Axe 3 : Capteurs et acquisition et gestion de données
Promouvoir le développement des capteurs et des systèmes d'acquisition de données, dont le crowdsourcing
Objectifs:
Etudier et concevoir des capteurs répondant aux obstacles en matière de détection (phénotypage au champ, maladies, état de la plante / de l'animal)
Développer l'acquisition "frugale" de données par l'emploi de smartphones et d'images satellites
Malgré 30 ans de recherche sur les capteurs, l'agriculture souffre toujours d'un manque d'outils de mesure donnant satisfaction sur certains paramètres (étude des maladies, des végétaux, de la compositions du sol, etc) aux bonnes résolutions temporelles et spatiales. Il est nécessaire d'améliorer l'accès aux données et à l'information sur les processus agricoles, à forte résolution, à partir d'une meilleure exploitation des images satellites. Il faut aussi promouvoir l'innovation à bas coût et le développement de capteurs robustes et simples d'utilisation, dont les objets connectés et les dispositifs liés aux smartphones. La mise en oeuvre optimale de ces nouvelles technologies en conditions réelles (réseaux de capteurs, capteurs intégrés et portables dans une problématique d'autonomie et de coût) est la clé d'une innovation réussie, et nécessite des experts en innovation. Avec #DigitAg, toutes les recherches sur les capteurs et l'acquisition de données seront appuyées par des experts en innovation. Dans cet axe de recherche seront aussi étudiés le traitement des données et les problèmes qui y sont liés (incertitudes, validation des résultats, ...).
L'agriculture est caractérisée par des contraintes strictes en ce qui concerne l'acquisition de données et le développement de capteurs : petits marchés, faibles marges, surfaces étendues à couvrir, haute variabilité, environnement complexe, et un niveau de compréhension des TIC faible à moyen par les utilisateurs. Il faut donc que les capteurs et systèmes d'acquisition de données soient robustes, demandent peu d'entretien, soient faciles à utiliser et possèdent des performances métrologiques satisfaisantes. Les capteurs peuvent avoir différentes configurations : portables, au champs (sur les animaux, plantes, dans le sol, etc.), embarqués sur le matériel agricole ou sur des dispositifs aériens (drones, avions), voire sur des satellites (observation spatiale). L'analyse des données doit de plus pouvoir être menée par les agriculteurs, par le biais de smartphones ou de tablettes. Aujourd'hui, les technologies des capteurs, d'acquisition et de traitement des données, ne répondent pas encore aux besoins de l'agriculture.
#DigitAg cherche à combler ce manque, en ce qui concerne notamment :
- L'évaluation de l'état des animaux, plantes, sol (physiologie, composition, santé);
- Les réseaux de capteurs (par exemple capteurs météorologiques pour la température, l'hygrométrie, la pluie, la grêle...);
- Les capteurs embarqués sur matériel agricole, drones...
- Les capteurs liés aux smartphones
- Le traitement d'images satellites de différentes résolutions
Les questions scientifiques liées à ces manques s'intéressent à :
- Une meilleure compréhension des interactions lumière/matière dans les capteurs optiques et les radars
- L'application de concepts de l'internet des objets à l'agriculture
- La conception de microsystèmes de mesure et de transfert de données sur des paramètres physiques (température, hygrométrie, ...), à bas coût et à faible consommation énergétique (captage d'énergie inclus), pour une agriculture durable
- L'ergonomie des systèmes d’acquisition de données sur smartphones, pour en favoriser l'adoption par les agriculteurs
Responsables: Ryad Bendoula (INRAE), Philippe Combette (Université de Montpellier)
Unités: ITAP, TETIS, IES, LIRMM, LEPSE
Disciplines: Principalement Physique, Sciences de l'ingénieur, optique, électronique, sciences du numérique; Secondairement agronomie (physiologie, modélisation, indicateurs), sciences sociales et de la gestion (conception basée sur l'utilisateur).
Axe 4: Système d’information, stockage et transfert de données
Faire progresser la conception de systèmes d'information agricoles
Objectif:
Faire progresser la conception des systèmes d'information en agriculture, avec les contraintes du Big Data et de l'interopérabilité
Avec la diffusion des objets connectés (dont les outils mécaniques agricoles), l'imagerie par satellite et le phénotypage haut-débit, l'agriculture se retrouve face à des défis concernant la gestion des données et des connaissances. Le secteur industriel a d'ailleurs commencé à répondre à ces défis. Cependant, en plus des sujets liés au Big Data (évolutivité, complexité, hétérogénéité, confidentialité), les masses de données agricoles sont aussi caractérisées par leurs dimensions spatiales et temporelles. Il y a donc un besoin en systèmes spécifiques de gestion des données et des connaissances (systèmes d'information, stockage de données, transfert, partage) et en mécanismes adaptés, pour apporter une réponse adaptée aux défis que pose le Big Data en agriculture. De plus, parce que les interactions entre les processus agricoles et le contexte dans lequel elles se déroulent sont complexes, il est nécessaire de correctement renseigner les données agricoles pour pouvoir les ré-employer (vocabulaire commun, ontologies, règles...).
Les capteurs embarqués, l'Internet des objets, les systèmes de crowdsourcing, etc., produisent de très larges collections de données, potentiellement disponibles pour les nouveaux services en agriculture. Jusqu'à récemment, l'utilisation des systèmes d'information en agriculture était relativement en retard sur celle qui en était faite dans le secteur industriel. En agriculture, les systèmes d'information sont très particuliers, étant donné qu'il faut prendre en compte des éléments spatio-temporels. Les processus de gestion des données avancés actuels peuvent être employés de manière interdisciplinaire, intersectoriels et entre pays, mais possèdent des caractéristiques propres à l'informatique. Les données doivent ainsi pouvoir être extraites, accessibles, interopérables, et ré-utilisables pour produire des jeux de données employables dans la recherche interdisciplinaire de pointe. Cette dernière pourra alors apporter une réponse aux besoins présents et futurs de l'agriculture, de la sécurité alimentaire, et du marché.
Les défis principaux de la gestion de données sont :
- L'évolutivité (Big data, applications étendues),
- La complexité (pertinence, incertitudes, validité, multi-échelles, etc),
- L'hétérogénéité des sources de données et des sémantiques,
- La confidentialité et éthique (données sensibles, financement, enquêtes, etc),
- Les flux de données et reproductibilité.
Etant donné la nécessité d'interdisciplinarité et l'approche contextuelle de la gestion des données, les données agricoles doivent être renseignées (vocabulaire commun, ontologies, règles).
Responsables: Maguelonne Teisseire (INRAE), Clément Jonquet (Université de Montpellier)
Unités: ZENITH, GRAPHIK , MISTEA, TETIS, IATE, SELMET
Disciplines: Principalement informatique; Secondairement agronomie, sciences de la gestion
Axe 5: Fouille de données, analyse de données, extraction de connaissances
Concevoir de nouvelles méthodes de fouille de données, adaptées aux données agricoles, pour en extraire des connaissances exploitables
Objectifs:
Concevoir de nouvelles méthodes de fouilles de données au Big Data agricole et aux besoins de confidentialité.
Développer des méthodes visuelles et interactives pour l'analyse de données, conçues pour les non-spécialistes.
Le véritable potentiel résidant dans les masses croissantes de données agricoles (axes 3 et 4) est qu'elles peuvent être converties en connaissances exploitables et fournir des services d'aide à la décision à haute valeur ajoutée pour l'agriculture. Actuellement, aucune application n'exploite efficacement la richesse contenue dans ces données possédant des caractéristiques spatiales et temporelles spécifiques. Il y a un besoin pour une approche intégrée qui combine les données récoltées par : les systèmes de suivi en exploitation (végétaux, animaux, bâtiments), les exploitants, les scientifiques et techniciens sur les itinéraires techniques et les crowd-testeurs.
Dans le même temps, les données agricoles sont toujours plus nombreuses et possèdent des caractéristiques multi-échelles (spatiales, temporelles), aléatoires, dynamiques et hétérogènes. Elles peuvent aussi être très sensibles et nécessiter la protection de leur confidentialité. Malheureusement, aucune technique de fouille de donnée ne peut prendre en compte l'ensemble de ces aspects. L'hypothèse de travail est ici la construction d'une méthodologie basée sur l'ensemble des expertises, compétences et connaissances en analyse statistique de données, fouille de données, et intégration de connaissances imparfaites développées par les équipes #DigitAg pour d'autres domaines (médecine). Les méthodes proposées seront co-conçues par les acteurs du domaine (conseillers, exploitants, analystes) et des interactions auront lieu à différents niveaux, que ce soit pour apporter de l'expertise, préciser les problèmes, ou présenter les résultats. Un défi important sera la conception de méthodes interactives prévues pour les non-spécialistes (visuels pour l'analyse, l'explication et la justification). Ces nouvelles méthodes vont mener à des avancées majeures dans l'exploitation concrète des masses de données agricoles. Un cadre précis de l'évaluation des résultats sera mis en place, basé sur la validation statistique de modèles, l'expertise agronomique (INRA, ACTA) et la collaboration avec les autres acteurs. Un tel cadre de travail présente un fort aspect innovant pour la fouille de donnée et l'analyse statistique. Valider les résultats actuels sur une échelle de temps agricole (saisons, années) va nous permettre d'améliorer en permanence les méthodes proposées.
Responsables: Alexandre Termier (INRIA, à droite sur l'image), Pascal Poncelet (Université de Montpellier)
Unités: LACODAM (Rennes), ZENITH & GRAPHIK , LIRMM, IATE, MISTEA , PEGASE
Disciplines: Principalement sciences des données, informatique; Secondairement agronomie (connaissance des types de données, de leur qualité, extraction des connaissances), sciences sociales (conception et méthodes de visualisation centrées sur l'utilisateur).
Axe 6: Modélisation et simulation
Explorer de nouvelles méthodes pour intégrer et qualifier les modèles
Objectifs:
Faire progresser la modélisation génotype-à-phénotype par de nouvelles méthodes d'intégration des données et d'apports de connaissances
Développer des méthodes d'intégration des différents types d'information et de connaissances (venant des données, experts, modèles)
Quantifier plus précisément les incertitudes des modèles en agriculture.
Au fil des années, des dizaines de modèles agronomiques ont été développés et certains sont déjà utilisés par les Systèmes d'Aide à la Décision. Cependant, de nouveaux outils tels que la détection haute résolution (axe 3) et les connaissances basées sur les données (axe 5), ouvrent la voie à de nouvelles opportunités d'évolutions majeures des méthodes de constructions de modèles. Les objectifs scientifiques de cet axe sont d'améliorer l'applicabilité des modèles dynamiques en couplant des modèles de différentes natures et échelle en utilisant l'assimilation de données en temps réel. L'originalité ici tient à la variété des échelles étudiées (de l'organe végétal à une région restreinte) et à l'approche interdisciplinaire. Cette dernière est centrale dans :
-Le couplage "agronomie - TIC - sciences de l'innovation" pour l'élaboration de modèles à dires d'experts (issus des sciences participatives).
Les modèles sont une composante essentielle de l'Agriculture Numérique, car ils peuvent être utilisés pour transformer les données en informations, diagnostics et conseils agricoles. Ils forment la base de l'agriculture et de l'élevage de précision, ainsi que des systèmes d'aide à la décision. Une refonte de nos modèles de production et d'évaluation des impacts est urgente : les modèles ont besoin de mieux représenter et prendre en compte les interactions des plantes avec l'environnement, les effets des stress et l'impact des événement climatiques extrêmes, mais aussi l'impact des stratégies alternatives de gestion des exploitations... Aujourd'hui, le défaut principal rencontré la modélisation et de la simulation est le manque d'applicabilité des modèles dynamiques. Notre objectif est de l'améliorer en couplant les différents types de modèles, en utilisant l'assimilation de données en temps réel à différentes échelles de temps et d'espace (du champ à la région agricole).
Tout d'abord, l'atout de la génétique doit être considéré : les modèles génotypes-à-phénotype (lien entre les gènes de la plante et son évolution en environnement réel), qui seront renseignés par les résultats des méthodes de phénotypage à haut débit. A cette fin, les modélisations modulaires seront favorisées pour ajouter et partager plus facilement des modèles possédant des informations génétiques explicites.
Ensuite, l'usage des capteurs de nouvelle génération en agriculture (IoT, drones) créé le besoin de nouvelles méthodologies (analyse de données spatio-temporelles incluant des inférences statistiques avancées) pour l'intégration des données aux modèles (dont de prédiction du climat saisonnier) afin de produire des informations prédictives plus précises et en temps réel. Il existe aussi un besoin d'améliorer le développement des modèles décisionnels et de gestion basés sur ce type de données. Les modèles de production sont à coupler avec les modèles économiques pour la prise de décisions stratégiques et les méthodes de logique flou, d'optimisation multi-objectifs, d'argumentation, etc... seront nécessaires pour l'évaluation multi-critères.
En outre, à des fins d'évaluation des systèmes de production, les modèles doivent pouvoir prédire une plus grande gamme de réponses (services) et de compromis qu'actuellement.
Enfin, la recherche en modélisation doit aussi s'intégrer aux questions transversales telles que la quantification de l'incertitude des modèles et l'intégration de ces derniers. La quantification de l'incertitude est en effet demandée par les preneurs de décision et les responsables des politiques publiques.
Pour finir, les modèles qui intègrent différentes sources d'information (quantitatives et qualitatives) et de connaissances (à dire d'experts ou issues des données) sont requis pour la prise de décision.
Responsables : Patrick Taillandier (INRAE), Pierre Martre (INRAE)
Unités : SYSTEM, MISTEA, LEPSE, ITAP, ACTA, AGIR (Toulouse), MIAT (Toulouse), PEGASE (Rennes), TETIS, AIDA, AMAP, HORTSYS, GECO, GRAPHIK
Disciplines : Forte interdisciplinarité entre sciences agronomiques, mathématiques, intelligences artificielles, informatique
