Equipe SCIDYN

Simulation, Contrôle et Inférence de Dynamiques Agro-environnementales et Biologiques

L’équipe est issue de l’évolution en septembre 2020 de l’équipe MAD (Modélisation des Agro-écosystèmes et Décision).

L’équipe SCIDYN développe et met en oeuvre des méthodes en statistique, informatique et intelligence artificielle pour la modélisation, la simulation et le pilotage des dynamiques des systèmes agro-écologiques, biologiques et forestiers.

Les systèmes agro-écologiques, biologiques et forestiers sont généralement composés de sous-systèmes dont les dynamiques interagissent et peuvent être influencées par des actions humaines. Afin d’étudier ces différents systèmes, nous développons des cadres de modélisation en statistique, en intelligence artificielle et en économie. Nous nous intéressons également à des problèmes algorithmiques associés aux modèles de dynamiques, pour leur estimation, leur inférence, leur simulation ou leur pilotage.

Les familles d’approches développées dans l’équipe sont :

• Statistique et probabilités. En probabilités, nous étudions les propriétés de modèles stochastiques, et en statistique nous nous intéressons aux propriétés des estimateurs et au développement d’algorithmes d’inférence. Nos travaux en probabilités concernent la géométrie des champs aléatoires, notamment gaussiens, l’étude des valeurs propres de matrices aléatoires, l’étude des états quasi-stationnaires de processus de contact sur graphe, et leurs applications en statistique. Les modèles que nous étudions d’un point de vue statistique sont principalement des processus multi-états, particulièrement Markoviens et semi-Markoviens, partiellement ou indirectement observés (modèles cachés, à variables latentes, avec censure…). Nos travaux portent essentiellement sur les aspects d’inférence et de statistiques computationnelles (approches de type “Monte-Carlo”, approches variationnelles…), et nous examinons également des aspects plus théoriques comme l’identifiabilité. Nous travaillons également au développement d’algorithmes d’inférence de réseaux dynamiques. Tous ces travaux sont motivés par et mis en oeuvre sur des applications en biologie et en écologie.

• Modèles comportementaux, algorithmes pour la décision et la simulation. Les systèmes biologiques, agro-environnementaux et forestiers que nous étudions impliquent souvent des agents décisionnels. Ceux-ci peuvent être des humains, gérant ces systèmes de manière à en exploiter différents services. Ils peuvent également être des entités biologiques de ces systèmes, dont les comportements sont modélisés pour construire sa dynamique (plantes au sein d’un peuplement, par exemple). La modélisation des comportements est un axe de recherche de l’équipe que nous étudions en utilisant différentes approches (théorie de la décision, décision séquentielle dans l’incertain, systèmes dynamiques et contrôle, simulation, apprentissage par renforcement…). Nous développons des modèles et algorithmes de prise de décision d’agents “rationnels”, maximisant une fonction d’utilité. Celle-ci peut-être l’utilité espérée, “classique”, que nous exploitons en décision séquentielle dans l’incertain (Processus Décisionnels de Markov) et en décision multi-acteurs (théorie des jeux non-coopératifs). Nous élaborons également des approches pour la décision “qualitative” (théorie des possibilités). Parfois, l’utilisation d’un critère de décision est inadaptée, en particulier pour simuler des comportement humains. Aussi, nous développons également des modèles de décision intégrant des dimensions cognitives, affectives et sociales (modèles Belief-Desire-Intention, modèles émotionnels, modèles argumentatifs…). L’optimisation des comportements est un axe complémentaire de la modélisation. En effet, les modèles dits “rationnels” définissent des comportement consistant en la maximisation d’une fonction d’utilité. Dans le cas de la théorie des jeux ou de la décision “spatialisée”, la conception d’algorithmes de conception de comportements optimaux ou d’équilibre est un problème difficile. Nous tentons de résoudre ces problèmes par différentes approches algorithmiques : optimisation combinatoire, programmation dynamique, apprentissage par renforcement, etc.

Enfin, l’intégration de ces modèles décisionnels dans des simulations de systèmes plus larges (agroécosystèmes, systèmes biophysiques) est également étudiée dans l’équipe SCIDYN. Nous nous intéressons au développement d’outils théoriques et informatiques pour réaliser cette intégration, en vue de la simuler.

Sur le plan finalisé, nous abordons des problèmes de modélisation et de gestion de systèmes biologiques, agroenvironnementaux et forestiers, de l’échelle de la plante à la parcelle, de l’exploitation à la petite région agricole. Parmi les problématiques que nous traitons, on peut citer :

• Plante La modélisation et l’analyse de phénotypes dynamiques à l’échelle de la plante ou de ses organes (processus d’apparition des feuilles, dynamiques d’infection par des pathogènes, mouvement des feuilles en réponse à un stimuli…) et l’étude des facteurs et processus déterminant la croissance, la reproduction ou la résistance aux pathogènes des plantes.

• Exploitations L’étude des leviers agronomiques et agro-écologiques de la production agricole et de la protection des cultures, la conduite d’élevage ou la diffusion d’innovations numériques en agriculture.

• Territoires agricoles L’étude de la dynamique des systèmes agroécologiques dans leur environnement biologique, jusqu’à l’échelle de la petite région agricole : rôle des auxiliaires de cultures, des bioagresseurs et impact des agrosystèmes sur les réseaux écologiques.

• Peuplements forestiers L’analyse des facteurs de risque, des préférences et du caractère multifonctionnel de la forêt sur la production et la protection des peuplements forestiers face aux risques (tempêtes, incendies, maladies…).

• Ecosystèmes L’étude de la dynamique de systèmes peu anthropisés, à des fins d’acquisition de connaissances en écologie des populations ou de conservation de la biodiversité.

Les publications de l’équipe peuvent être trouvées ici : Publications

Enfin, l’équipe développe et maintient plusieurs logiciels émanant de ses travaux de recherche, certains depuis de nombreuses années :

• Inférence

  • GMtoolbox : calcul de lois marginales dans un graphe de facteurs (Matlab).
  • GADAG : inférence de la structure d’un graphe acyclique orienté (R).
  • SISIR : sélection de variables en régression fonctionnelle (R).

• Simulation

  • VLE (Virtual Laboratory Environment) : environnement de simulation de systèmes à événements discrets.
  • GAMA : environnement de simulation à base d’agents.

• Décision / Optimisation

  • MDPtoolbox, GMDPtoolbox : résolution de Processus Décisionnels de Markov (PDM) et de PDM “spatialisés” (Matlab).
  • DiceOptim, GPareto, [ GPGame] : optimisation de fonctions représentées par des modèles gaussiens (R).
  • Baryonyx : Solveur pour l’optimisation linéaire en nombres entiers et booléens.