[Soutenance de thèse] Yulin Zhang

[Soutenance de thèse] Yulin Zhang: Inversion du modèle bilan hydrique avec les données issues du Crowdsourcing en viticulture

Sujet de thèse cofinancé par #DigitAg Yulin soutiendra sa thèse le 10 octobre 2024 à 14h @Institut Agro (Amphi 206, bâtiment 9, Campus Gaillard, 2 Pl. Pierre Viala, Montpellier).

Inversion du modèle bilan hydrique avec les données issues du Crowdsourcing en viticulture

Y Zhang

Yulin soutiendra sa thèse le 10 octobre 2024 à 14h @Institut Agro (Amphi 206, bâtiment 9, Campus Gaillard, 2 Pl. Pierre Viala, Montpellier).
Assister à la soutenance en visio

My name is Yulin. I did my PhD in the research unit ITAP of Institut Agro Montpellier, in Southern France. I received my doctoral degree in Process Engineering in 2024. I like to think and resolve problems, that’s why I chose to become a PhD candidate. As an agronomist, I wish to develop my data science skills and apply them in actual agronomic problems. I developed a method that uses data collected through crowdsourcing to estimate grapevine’s water availability by applying an inverse modeling approach. The data I used were mainly observations on vine shoot growth, weather, and satellite data. This method is very low-cost, which facilitates winegrowers and other stakeholders to adopt relevant farming practices to address challenges brought by climate change. I was quite motivated by the nature of crowdsourcing data and the originality of inverse modeling. The topic is honestly very attractive. In three years, I developed some practical solutions with what I have, but I also learnt aspects that need to be improved. After three years, I still found this topic is very interesting and filled with potentials.

  • Date de démarrage : 1er octobre 2021
  • Université : Université de Montpellier
  • Ecole doctorale : GAIA (Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau)
  • Discipline / Spécialité : Génie des procédés
  • Directeur de thèse : Bruno Tisseyre, UMR Itap, Institut Agro
  • Encadrant(es)  : Léo Pichon, UMR Itap, Institut Agro
  • Financement : #DigitAg – Région Occitanie
  • #DigitAg : Thèse cofinancée – Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 5: Les services de conseil agricole

Mots-clés : Inversion du modèle, Réservoir utile en eau (l’eau totale transpirable du sol, TTSW), Croissance des apex de vigne, Crowdsourcing, Viticulture, Régions méditerranéennes, Incertitude, Modèle d’apprentissage, Prétraitement des données, Agriculture numérique

Résumé : L'Eau Totale Transpirable du Sol (TTSW) est cruciale pour les producteurs de vin car elle influence de manière significative les décisions de gestion des vignobles, telles que le contrôle de la canopée et la planification de l'irrigation. Dans le contexte du changement climatique, l'évaluation précise de la TTSW devient de plus en plus vitale, en particulier dans les régions méditerranéennes, pour évaluer la résilience des vignobles. Cependant, la mesure directe de la TTSW pose des défis logistiques, et il y a eu un manque notable de méthodes d'estimation à faible coût adaptées aux vignobles commerciaux. Cette thèse de doctorat explore l'estimation de la TTSW pour les vignes en utilisant une approche de l’inversion du modèle (IM), en exploitant les données de croissance des apex de vigne collectées via l'application mobile de farmsourcing ApeX-Vigne. La recherche aborde deux questions principales : 1) Comment développer une méthode de récupération de la TTSW basée sur des données « farmsourcées » ? et 2) Quelle est la précision de cette méthode ? La thèse est structurée comme suit : Le chapitre 1 identifie une voie d'inversion prometteuse reliant la TTSW à l’indicateur de croissance des apex de vigne. Le chapitre 2 développe une fonction de transfert pour mettre en œuvre cette voie. Le chapitre 3 adapte et teste un modèle inverse pour récupérer la TTSW dans un vignoble méditerranéen, en évaluant sa précision à une échelle locale. Le chapitre 4 évalue la méthode d'estimation de la TTSW proposée en utilisant un jeu de données farmsourcées provenant d'une appellation viticole du sud de la France, en évaluant la cohérence des résultats à une échelle régionale. Cette recherche offre un aperçu complet des applications de l'IM en agriculture, fournissant un guide pratique pour la sélection des méthodes d'inversion. Elle introduit une nouvelle fonction de transfert qui prédit les variables temporellement autocorrélées tout en tenant compte de l'incertitude de la prédiction, démontrant une combinaison de techniques de l’apprentissage et de l’IM. L'étude propose une méthode d'estimation de la TTSW basée sur la croissance des apex de vigne, économique et adaptée aux vignobles commerciaux, en soulignant l'importance de facteurs tels que la densité des plantes. Malgré la nécessité d'un prétraitement substantiel des données, les résultats illustrent le potentiel des données crowdsourcées dans la récupération régionale de la TTSW, notamment leur capacité à révéler des variations de la TTSW à grande échelle. Les recherches futures devraient viser à développer une méthode d’inversion de la TTSW plus adaptable, moins dépendante des conditions climatiques spécifiques. Les efforts devraient se concentrer sur la généralisation de la fonction de transfert et l'incorporation de sources supplémentaires de variabilité. Une attention particulière devrait être accordée aux défis uniques à la viticulture pour l'estimation de la TTSW, en particulier en ce qui concerne l'influence de la densité des plantes sur la croissance des apex de vigne. Pour maximiser le potentiel des données farmsourcées, des stratégies pour guider les collecteurs de données à fournir des informations plus complètes et à affiner leurs pratiques de collecte de données sont nécessaires. La formalisation de la coopération entre les collecteurs de données, les chercheurs et les autres parties prenantes viticoles sera cruciale pour améliorer les stratégies d'échantillonnage pour la génération de données à l'échelle régionale.

Composition du jury:

  • Maria Paz Diago Santamaria, Université de la Rioja, Espagne (Rapporteure)
  • Stéphane Follain, l’Institut Agro Dijon, France (Rapporteur)
  • Cornelis Van Leeuwen, Bordeaux Science Agro, France (Examinateur)
  • Anne Pellegrino, l’Institut Agro Montpellier, France (Examinatrice)
  • Léo Pichon, l’Institut Agro Montpellier, France (Examinateur)
  • Bruno Tisseyre, l’Institut Agro Montpellier, France (Directeur de thèse)

Contact : yulinzhang9 [AT] gmail.com - Tél: +33658910155

Réseaux sociaux  : LinkedIn - ResearchGate

Communications / Publications:

  • (open access) Zhang, Y., Pichon, L., Pellegrino, A., Roux, S., Péruzzaro, C., and Tisseyre, B. (2024). Predicting predawn leaf water potential while accounting for uncertainty using vine shoot growth and weather data in Mediterranean rainfed vineyards. Agricultural Water Management, 302, 108998. https://doi.org/10.1016/j.agwat.2024.108998
     
  • (open access) Tarraf, B., Brun, F., Raynaud, L., Roux, S., Zhang, Y., Davadan, L., and Deudon, O. (2024). Assessing the impact of weather forecast uncertainties in crop water stress model predictions. Agricultural and Forest Meteorology, 349, 109934. https://doi.org/10.1016/j.agrformet.2024.109934
     
  • (open access) Zhang, Y., Pichon, L., Roux, S., Pellegrino, A., Simonneau, T., and Tisseyre, B. (2024). Why make inverse modeling and which methods to use in agriculture? A review. Computers and Electronics in Agriculture, 217, 108624. https://doi.org/10.1016/j.compag.2024.108624
     
  • (open access) Oger, B., Zhang, Y., Gras, J.-P., Valloo, Y., Faure, P., Brunel, G., and Tisseyre, B. (2023). High spatial resolution dataset of grapevine yield components at the within-field level. Data in Brief, 50, 109580. https://doi.org/10.1016/j.dib.2023.109580
     
  • (open access) Pichon, L., Brunel, G., Zhang, Y., and Tisseyre, B. (2023). Vers une cartographie régionale de l’état hydrique de la vigne basée sur des observations collaboratives: Article prenant sa source de l’article de recherche “Towards a regional mapping of vine water status based on crowdsourcing observations” (OENO One, 2022). Langue originale de l’article : français. IVES Technical Reviews, vine and wine. https://doi.org/10.20870/IVES-TR.2023.7499
     
  • (open access) Pichon, L., Brunel, G., Zhang, Y., and Tisseyre, B. (2022). Towards a regional mapping of vine water status based on crowdsourcing observations: This article is published in cooperation with Terclim 2022 (XIVth International Terroir Congress and 2nd ClimWine Symposium), 3-8 July 2022, Bordeaux, France. OENO One, 56(2), Article 2. https://doi.org/10.20870/oeno-one.2022.56.2.544
     
  • (open access) Zhang, Y., Pichon, L., Taylor, J. a., Oger, B., and Tisseyre, B. (2023). 82. Introducing Bayesian priors to semi-variogram parameter estimation using fewer observations. In Precision agriculture 2023 (pp. 651–658). Wageningen Academic Publishers. https://doi.org/10.3920/978-90-8686-947-3_82