Description
Contexte et problématique :
En France, les systèmes de culture et d’élevage se sont progressivement intensifiés et spécialisés. Cette spécialisation est aujourd’hui remise en cause pour ses impacts socio-économiques (perte d’autonomie des agriculteurs, sensibilité au marché, faible valeur ajoutée, ...) et environnementaux (pollutions diffuses, perte de biodiversité, déconnection des cycles C et N...). Diversifier les systèmes agricoles tant de polyculture que d’élevage favoriserait la transition agroécologique des territoires [B14]. Cependant, cette dynamique de réintégration végétal-animal a plusieurs limites à l’échelle de l’exploitation (manque de moyens, de connaissances). Créer des complémentarités entre exploitations à l’échelle d’un territoire et développer des collectifs pluri métiers à cette échelle ouvre des perspectives pour résoudre ces difficultés et pour contribuer à l’autonomie des territoires [M16, M24].
Nous nous intéressons plus particulièrement à la planification, sur un territoire, d’itinéraires de troupeaux d’ovins pâturant des terres agricoles. Dans ce cadre, nous avons déjà testé en et l’intérêt de proposer des outils d’aide à la décision pour cette planification, notamment au travers d’une mise en situation dans des ateliers organisés autour d’un jeu de plateau Oviplaine développé par Solène Pissonnier (UMR SADAPT). Cela permet en effet de rassurer les acteurs du territoire et donc de favoriser le travailler ensemble et faciliter l’installation de jeunes agriculteurs.
Cependant les études menées pendant cette période (UMR SADAPT, rapport de stage M2 AgroParisTech, Ines Valet [V24]) ont notamment démontré qu’il serait nécessaire d’intégrer dans la démarche du jeu les aléas et risques associés à la « vrai vie », notamment la culture (par exemple les risques climatiques qui vont faire qu’une parcelle ne sera brusquement plus disponible) et l’élevage (par exemple parcelles qui peuvent devenir peu bénéfiques pour le troupeau à certaines périodes de l’année).
Une première étude sur ce sujet (UMR MIA-PS, rapport de stage M2 Agro-ParisTech, Juliana Lemeur), nous a permis de démontrer tout l’intérêt et en même temps la complexité de mettre en œuvre une approche conceptuelle adaptée à cette optimisation dans un espace de recherche non linéaire de taille. Nous avons également démontré qu’il était fondamental pour que les algorithmes convergent vers des solutions viables d’intégrer l’expertise des agriculteurs dans la boucle d’optimisation. A notre connaissance parmi les outils d’aide à la décision développés dans ce domaine (cf. rapport M2 Juliana Lemeur [L25]) aucun ne propose de prendre en compte cette incertitude en implémentant des approches d’optimisation et encore moins en intégrant l’expertise des agriculteurs. L’enjeu étant de proposer aux acteurs des itinéraires viables, optimisés et faisant sens pour eux dans un contexte tendu d’aléas climatiques.
Projet de M2 :
Afin de répondre à cet enjeu, nous proposons un projet de M2 qui cherchera comment modéliser ces problèmes de planification à l'aide d'outils issus de la recherche opérationnelle et de l'intelligence artificielle, à savoir la programmation linéaire en nombres entiers (ILP) et la programmation par contraintes (CP). Ces outils permettent une modélisation flexible, qui nous permettra d'encoder avec précision les contraintes réelles. D'autre part, la nature même de l'optimisation combinatoire exacte implique que les modèles les plus évidents ne donnent pas les meilleurs résultats. Par conséquent, nous examinerons non seulement les modèles, mais aussi potentiellement les algorithmes (appelés algorithmes de séparation et algorithmes de propagation) afin d'obtenir des temps de résolution efficaces.
Associé à cette approche nous chercherons à intégrer les savoirs experts directement dans la boucle d’élicitation des contraintes en itérant les résultats à partir d’une qualification par les experts ou un modèle expert de ces résultats. Ce processus consistant à acquérir des contraintes en proposant des solutions à des experts, est adapté à ce problème pour lequel nous disposons de peu de données, mais avons accès à une expertise. Il s'agit d'une approche originale, contrairement aux approches typiques d'apprentissage automatique pour l'optimisation combinatoire, telles que l'apprentissage basé sur la décision, où nous nous appuyons sur de grandes quantités de données afin d'apprendre la structure et les paramètres du problème d'optimisation. Ce projet s’intègre plus généralement dans un projet financé par l’appel à projet Agroécologie de l’Université Paris Saclay et se situe à l’interface entre l’Agroécologie et l’Intelligence Artificielle. Il se fera en connexion avec nos partenaires scientifiques travaillant sur des problématiques d’Agro-écologie et un stagiaire M2 ayant pour sujet une mise en pratique dans des ateliers jeux autour d’Oviplaine d’une approche digitale et son impact.
Le travail sera réalisé au sein de l’UMR MIA-PS ( équipe EKINOCS, encadré par un chercheur travaillant sur la programmation linéaire en nombres entiers (ILP) et la programmation par contraintes (CP) et une chercheuse travaillant sur la formalisation de l’expertise humaine et son intégration dans des approches digitales. De plus le/la stagiaire aura dans son comité de suivi une référente en Agro-écologie.
Les étapes du stage seront les suivantes :
1. Étude bibliographique sur les approches et concepts développés en optimisation/Intelligence Artificielle au service de l’Agro-écologie ou plus largement agriculture ? Comment l’incertitude est prise en compte ? Quelles applications ILP et CP ont pu d’ores et déjà être développées proches de l’application considérée…
2. Prendre en main les approches integer linear programming (ILP) and Constraint Programming (CP).
3. Appliquer ces approches à notre cas d’étude après avoir recueilli auprès des agriculteurs les contraintes nécessaires à prendre en compte et les avoir formalisées ou en les intégrant en cours d’optimisation (ce qui sous entends peut-être développer une mesure d’adhésion de l’expert aux contraintes proposées ?).
4. Programmation en python et validation
5. Comparaison avec l’approche d’optimisation stochastique développée en
6. Rapport de stage
Conditions :
Pour mener à bien les missions, l’étudiant.e aura à sa disposition l’intégralité des documents et fichiers liés à Oviplaine, le programme python développé en /, des chercheurs ressources dans l’équipe EKINOCS pour les conseils sur la formalisation des indicateurs, sur les statistiques, l’optimisation ainsi que des chercheurs ressources en agronomie. Ce sera de plus un travail à réaliser en équipe avec le M2 recruté pour le sujet complémentaire à celui-ci ainsi qu’avec des agriculteurs. Une gratification de stage d’environ euros net /mois sera versée sur une base de 35 heures/semaine.
[1] Oviplaine : développé dans le cadre dans le cadre du projet ADEME POSCIF (Paturage Ovin en Sysè.mes Céréaliers d’Ile de France) permet de représenter des parcelles et les ressources potentiellement disponibles pour les troupeaux sur ces parcelles. Les acteurs présents (éleveurs, céréaliers, viticulteurs, arboriculteurs, etc…) peuvent ainsi construire un itinéraire pour le troupeau qui consomme progressivement les ressources disponibles. Ces scénarios et les discussions ainsi générés permettent de rendre moins risquées des pratiques vertueuses associant des producteurs. L’enjeu étant de trouver de la ressource sur un même territoire et ainsi réduire sa dépendance aux achats extérieurs qui deviennent de plus en plus coûteux pour l’agriculteur.
Profile
Qualités requises :
Autonomie dans le travail et maturité
Appétences pour la modélisation et savoir programmer notamment en python
Intérêt pour le sujet agronomique proposé et l’informatique
Plaisir pour le travail en équipe pluridisciplinaire
Starting date
Dès que possible
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.