Modélisation des Agro-écosystèmes et Décision (MAD)

NEW : L'équipe MAD recrute un CR2 en optimisation (voir section Emplois)

Responsable de l'équipe : Régis SABBADIN (05 61 28 54 76) sabbadin[at]toulouse[dot]inra[dot]fr

Les activités de recherche de l'équipe portent sur le développement de modèles et méthodes mathématiques et informatiques pour l'analyse et la conduite des agro-écosystèmes, systèmes définis par l'interaction entre des activités agricoles et des ressources naturelles ou biologiques, aux échelles de la parcelle, de l'exploitation agricole ou du territoire, de la décision individuelle à la gestion collective, pour des horizons temporels allant de la journée à plusieurs décennies. Ces travaux méthodologiques reposent sur des collaborations finalisées avec des équipes de recherche en agronomie, épidémiologie, sylviculture, écologie, etc. dont les problématiques portent sur les organisations et modes de gestion innovants des agro-écosystèmes face au contexte actuel de changement global (démographie, climat, etc.). Nos productions prennent la forme de publications scientifiques, d'ouvrages de synthèse, de supports de cours ou encore de logiciels.

Les méthodologies manipulées et développées dans le cadre des travaux de l'équipe MAD portent de manière cohérente sur la modélisation, la simulation, l'exploration, l'optimisation de systèmes dynamiques représentant des agro-écosystèmes pilotés. Plus particulièrement, les compétences méthodologiques de l'équipe peuvent être regroupées selon quatre axes forts en informatique et statistique algorithmique :

• Modélisation / simulation de systèmes dynamiques et d'agents intelligents

Les travaux se placent dans le cadre de la théorie de la modélisation et la simulation des systèmes dynamiques. Deux cadres distincts de représentation /simulation de systèmes dynamiques à base d'événements discrets ont été développés dans l'équipe : DIESE et VLE. DIESE, le plus ancien, s’est essentiellement intéressé aux systèmes de production et à la modélisation de l’agent porteur de la fonction décisionnelle. VLE (développé en partenariat avec l'Université du Littoral Côte d'Opale et le CIRAD), qui repose sur le formalisme mathématique DEVS, apporte le concept de modélisation systémique multi-formalisme. L'unité est engagée de manière très importante sur le projet RECORD de développement et diffusion d'une plate-forme de modélisation et simulation des systèmes de culture basée sur VLE.

• Optimisation et exploration de modèles complexes

L'équipe a une longue expérience de recherche sur la problématique de l'utilisation de modèles de simulation pour l'analyse et la conception de systèmes agro-environnementaux. Dans la lignée de nos travaux antérieurs sur l'apprentissage par renforcement, nous avons principalement orienté notre recherche méthodologique sur le thème de l'optimisation par simulation dans l'incertain (simulation-based optimization). Nous avons ainsi développé une famille d'algorithmes P2 pour l'optimisation globale d'une fonction objective aléatoire dont la distribution n'est accessible que par échantillonnage. Ces algorithmes fonctionnent selon un principe de partitionnement hiérarchique de l'espace des paramètres à optimiser, ce partitionnement adaptatif servant de guide à l'échantillonnage par simulation construit pour rechercher les optima. Les applications actuelles portent sur la gestion de l'eau (irrigation du maïs en particulier). L'équipe est d'autre part impliquée dans la création et l'animation d'un réseau pluri-organisme qui a pour objectif de fédérer les travaux autour de l'exploration et l'analyse de systèmes complexes et d'ouvrir les biologistes modélisateurs au traitement statistique de leurs simulations et à une exploration raisonnée de leurs modèles. Deux approches de l'exploration de modèles sont abordées. La première, informatique, consiste en l'élaboration d'une architecture informatique permettant l'enchaînement des flux de données lors de l'exploration d'un modèle (constitution de schémas XML). La seconde plus statistique porte sur la maîtrise des différentes méthodes d'analyse de sensibilité de modèles.

• Décision dans l'incertain et processus décisionnels de Markov (PDM)

Sur le plan méthodologique, l'étude de la décision séquentielle dans l'incertain est un des thèmes de recherche importants de l'équipe MAD. Au sein de ce thème, notre recherche s'est focalisée plus particulièrement sur les sous-thèmes méthodologiques suivants : (i) les approches qualitatives (possibilistes) de la décision dans l'incertain, (ii) la planification d'actions d'acquisition de connaissances (planification épistémique), (iii) la prise en compte explicite du temps dans les problèmes décisionnels de Markov (temporal MDP), et (iii) les problèmes de décision séquentielle spatialisée (voir point suivant). Les domaines d'application sont variés : agronomie, foresterie, écologie et épidémiologie.

L'unité met à disposition une librairie Matlab MDPToolBox  pour la résolution de MDP.

• Analyse et décision dans les processus sur graphe (modèles spatiaux sur graphe)

Les aspects spatialisés en décision se retrouvent dans de nombreux problèmes de gestion des agro-écosystèmes. Les entités de décision ou action étant souvent discrètes, la théorie des graphes fournit un cadre pertinent de représentation des interactions. Une partie de nos activités a ainsi commencé à s'orienter vers un apport méthodologique sur des questions à la fois d'analyse et de décision dans les processus sur graphe. Nos travaux portent d'une part sur l'analyse des caractéristiques du graphe d'interaction qui influencent la propagation d'une maladie. Ces travaux reposent sur le modèle de processus de contact et les méthodes variationnelles. Par ailleurs, nous avons proposé un cadre original pour la modélisation et la résolution de problèmes de décision dans l'incertain spatialisée : le cadre des Processus Décisionnels de Markov sur Graphe (PDMG). Différentes méthodes de résolution approchée de problèmes de décision spatialisée exprimés dans ce cadre ont été proposées : une approche basée sur la programmation linéaire approchée, une approche basée sur une approximation en champ moyen et une approche basée sur l'apprentissage par renforcement multi-agents. Plus récemment des travaux ont été initiés autour de la question de l'échantillonnage spatial optimal par des méthodes combinant statistique spatiale (champ de Markov, krigeage) et méthodes pour la décision séquentielle dans l'incertain (recherche arborescente, simulation).