Conférence nationale : Face au changement climatique, la filière laitière en mouvement : Jeudi 14 juin 2018
Diaporama par Jean-Christophe Moreau (IDELE)
Le présent suivi vise à évaluer les impacts de la LGV SEA et l’efficience des mesures compensatoires sur l’avifaune de plaine.
Il s'inscrit dans le cadre de l'article 23 des arrêtés inter-préfectoraux des 24 février et 21 décembre 2012, portant dérogation à l’interdiction de destruction d’espèces et d’habitats d’espèces animales protégées et de destruction d’espèces végétales protégées. L’article 23 indique qu’ « un suivi des populations et des habitats d'espèces protégées impactées par la construction et l'exploitation de la Ligne à Grande Vitesse Tours-Bordeaux devra être réalisé pendant la durée de la concession. »
Le présent suivi s'inscrit également dans le cadre des propositions du groupe de travail sur les suivis, composé d’un ensemble de partenaires inter-régionaux. Une note proposée par ce groupe de travail et intitulée « Propositions de suivi des mesures environnementales liées à la construction et à l'exploitation de la LGV-SEA Tours-Bordeaux » mentionne ce suivi élaboré en partenariat avec le Centre d’Etudes Biologiques de Chizé (CEBC – CNRS), la LPO Vienne, le Groupe Ornithologique des Deux-Sèvres, Charente Nature, Poitou-Charentes Nature et la LPO France.
Le suivi a été mené en 2014 et reconduit en 2015 en Vienne, Deux-Sèvres et Charente.
La perception des risques reliés à la thématique des changements climatiques ...Eldoux
Nathalie DE MARCELLIS-WARIN
École Polytechnique de Montréal
Ingrid PEIGNIER
CIRANO
La perception des risques reliés à la thématique des changements climatiques au Québec
DMN : Prévention risques métérologiques et climatiquesOECD Governance
OCDE : Atelier sur la prévention des risques, 17 mai 2017, Fès. info : www.oecd.org/gov/risk/Projet-appui-OCDE-gestion-risques-Maroc-atelier-mai-2017.htm
Vers une plateforme intelligente pour la prévision des maladies végétalesSarra BOUHENNI
Soutenance d'Ingénieur d'état en Informatique à l'Ecole Nationale Supérieure d'Informatique.
Intitulé du projet: Vers une plateforme intelligente pour la prévision des maladies végétales.
Date de soutenance: 21/06/2017
Marc Jacquet : Observatoire national des risques naturels en franceOECD Governance
Projet d'appui de l'OCDE pour la gestion des risques au Maroc - 3-4 Avril 2017. Info : www.oecd.org/fr/gov/risques/projet-appui-ocde-gestion-risques-maroc-atelier-avril-2017.htm
Comment intégrer les informations climatoques et environnementales dans un système de lutte contre le paludisme et à quel niveau? - Présentation de la 6e édition du Cours international « Atelier Paludisme » - HAMIDOU LAZOUMAR Ramatoulaye - Stagiaire de recherche - Niger - lramatoulaye@yahoo.fr
Protocoles et méthodologies pour l'analyse de situation concernant le paludisme - Conférence de la 2e édition du Cours international « Atelier Paludisme » - TUSEO Luciano - World Health Organization / Roll Back Malaria - maloms@iris.mg
Similaire à Prédire le risque jaunisse grâce à des données hétérogènes et à la modélisation (20)
This document summarizes the FLAVIE project, which aims to develop sugar beet varieties with tolerance to virus yellows through an international collaborative effort. The project has three main goals: 1) Establish an efficient trial protocol to evaluate varieties under virus yellows pressure, 2) Identify and characterize virus yellow tolerant varieties in participating organizations' germplasms, and 3) Provide evaluations of potential genetic solutions by sharing strategies. Over 55,000 plots have been evaluated to test over 1,000 hybrids. The results show differences in varietal performance and response to individual and mixed virus infections. BYV alone or in combination with other viruses causes the greatest yield losses. The project aims to continuously improve genetic tolerance to support sustainable sugar
Companion planting of barley with sugar beets was studied over multiple years and locations as an alternative to neonicotinoids for pest control. Trials showed barley reduced the number of aphids and incidence of virus yellows in sugar beets, as well as populations of early season pests like thrips and flea beetles. However, barley competition also led to yield losses in sugar beets depending on site conditions. More research is still needed to understand the influence of barley biomass on pest control and sugar beet yields. In conclusion, expected yield losses from pests need to be weighed against potential losses from barley competition for this companion planting approach.
This document discusses ways to reduce the carbon footprint of sugar beet crop management systems. It outlines the context of greenhouse gas emission reduction targets in France and describes the methodology used to calculate carbon balances in field crop systems. The methodology considers both soil carbon storage and greenhouse gas emissions. The document then analyzes the carbon balance of sugar beet crops and evaluates the impact of different management levers, such as reducing nitrogen fertilizer and increasing cover crops. Case studies from experimental platforms demonstrate that the carbon footprint of sugar beet can be reduced by up to 28% through these practices, though they may increase costs. Further funding sources need to be identified to cover these costs.
1) The beetroot weevil Lixus juncii has one generation per year, overwinters in unknown locations, and has expanded its range from southern France to areas north and east of Paris since 2000.
2) The Ubelix project is studying Lixus juncii biology and potential control strategies, such as a push-pull approach using intercropping, trap crops, and identification of attractive but tolerant beetroot varieties.
3) Preliminary research on Lixus juncii's life cycle found mating occurs in the field in May, overwintering locations remain unknown, and few weevils were captured in spring in border areas near infested fields. Larval mortality rates
The Prévibest project aims to develop a decision-making tool to help farmers and sugar industry stakeholders understand and reduce the risk of deep soil compaction from beet harvesting. The tool will simulate soil compaction using models, historical data from over 5 million simulations, and field experiments. It will provide diagnoses of soil compaction risks and advise on alternatives. The tool considers constraints like contractor schedules and weather to strategically advise on risk areas and levers to minimize deep soil compaction during beet harvests.
François Joudelat presented on managing Cercospora leaf spot disease in sugar beet through modeling and IoT camera technology. The CERCOCAP research project uses a combination of modeling that incorporates weather data, image processing of thousands of beet leaf images from IoT cameras, and field trials to develop decision support tools. Data assimilation techniques that combine model simulations with observational data have improved forecast accuracy. While machine learning approaches show potential, further improving image analysis and optimizing models is still needed to better understand and predict this complex disease.
Problème classique de synchronisation en algorithmesVirus237
Voici quelques problèmes classiques de synchronisation des processus et leurs solutions :
1. **Le problème du dîner des philosophes**:
- Modélise l'accès aux ressources partagées (comme des fourchettes pour manger).
- Cinq philosophes sont assis autour d'une table avec des assiettes de spaghetti glissantes.
- Chaque philosophe alterne entre manger et penser.
- Comment éviter l'interblocage où tous les philosophes essaient de prendre une fourchette en même temps ?
- Solutions possibles :
- Utiliser un sémaphore pour protéger les instructions après l'appel `think()`.
- Faire attendre les philosophes un montant de temps aléatoire avant de réessayer pour prévenir la privation.
- Cependant, ces solutions ne sont pas toujours efficaces.
- Le vrai aléatoire peut causer des problèmes dans des situations critiques (comme un réacteur nucléaire).
2. **Le problème des lecteurs et rédacteurs** :
- Plusieurs processus essaient d'écrire et lire à partir d'une base de données.
- Plusieurs lecteurs peuvent accéder simultanément à la base de données.
- Seul un rédacteur peut accéder à la base de données en écriture.
- Comment garantir l'exclusion mutuelle entre les rédacteurs et les lecteurs ?
- Solutions possibles :
- Utiliser des sémaphores pour gérer l'accès à la base de données.
- Différencier les sémaphores pour les lecteurs et les rédacteurs.
Ces problèmes illustrent les défis de la synchronisation dans les systèmes concurrents. Chaque solution a ses avantages et inconvénients, et le choix dépend du contexte et des exigences spécifiques¹. Si vous avez besoin de plus d'informations, n'hésitez pas à demander !
Source : conversation avec Copilot, 30/06/2024
(1) Problèmes classiques de synchronisation des processus - Achraf Othman. https://www.achrafothman.net/docs/se2.rt.chapitre%203.part2.pdf.
(2) Résoudre les problèmes de synchronisation dans Chrome. https://support.google.com/chrome/answer/9175737?hl=fr-FR.
(3) Diagnostiquer et résoudre les problèmes de synchronisation de Microsoft .... https://learn.microsoft.com/fr-fr/deployedge/microsoft-edge-troubleshoot-enterprise-sync.
(4) Quels sont les problèmes courants liés aux tâches de synchronisation ou .... https://kb.synology.com/fr-fr/DSM/tutorial/Synology_Drive_Client_issues_solutions.
(5) Synchronisation — Systèmes d'exploitation 2017.11.16 - CNRS. https://perso.liris.cnrs.fr/pierre-antoine.champin/enseignement/se/synchro.html.
Structure génétique et signatures de sélection déduites à partir des données de séquence génome entier chez les races bovines françaises à petits effectifs (Slim Ben-Jemaa, INRAE)
MMX2024 - L'Inde peut-elle devenir un acteur plus important sur la scène mond...
Prédire le risque jaunisse grâce à des données hétérogènes et à la modélisation
1. 1
Prédire le risque jaunisse
grâce à des données hétérogènes et à la modélisation
Projet SEPIM : Surveillance, Évaluation, Prévision, Interpolation
et Mitigation des risques relatifs à la jaunisse de la betterave
https://pse.mathnum.inrae.fr/sepim
Samuel Soubeyrand, BioSP, INRAE
2. Les outils d’aide à la décision – OAD
Acteurs Type de décision
Gestionnaires des risques à un niveau macroscopique Définition de la règlementation
Agriculteurs
Mise en place des interventions préventives et la conduite
technique des cultures
Instituts techniques
Anticipation des dangers sanitaires et des rendements globaux
Représentants des filières de production
Groupes agro-alimentaires
Assureurs
Assureurs Evaluations a posteriori des dégâts dus aux bioagresseurs
Instituts techniques Planification d’expérimentations dans une optique de
développement d’innovations et de leur mise à l’épreuve
Equipes de recherche
Pour répondre aux enjeux de la gestion des risques sanitaires touchant l’agriculture
3. Les outils d’aide à la décision – OAD
Outil d’aide à
la décision
Données
Modèle
InformaBon
interprétable et
mobilisable par les
acteurs ciblés
4. Les outils d’aide à la décision – OAD
Le développement des OAD pour de grands bassins de production agricoles face
au défi de la multitude des contextes locaux :
• Conditions biotiques et abiotiques spatialement et temporellement hétérogènes
• Interaction avec différents milieux anthropisés et naturels
• Influence de la multitude de choix portés notamment par les agriculteurs
Outil d’aide à
la décision
Données
Modèle
Information
interprétable et
mobilisable par les
acteurs ciblés
5. Les outils d’aide à la décision – OAD
Hypothèse : absence d’une soluBon « miracle » traitant le problème sanitaire de
manière uniforme et pérenne quelles que soient les condi=ons
ImplicaBon : nécessité de collecter des données et de développer des modèles
pour que les OAD fournissent des informa=ons
• adaptées à chaque contexte parmi un très grand nombre de contextes
• dans des intervalles de temps adéquats à la mise en œuvre des mesures visant
par exemple à réduire les risques de pertes de récoltes
- pour la saison en cours
- sur le long terme
8. Intérêt et limites des seules données de surveillance
• Information pour quelques centaines de parcelles permettant de produire des
statistiques et dégrossir des signaux temporels et spatiaux
• Vision partielle de la situation sanitaire et de sa variabilité en temps et en
espace
• Faible prise en compte du contexte (environnement, pratiques…) propre à
chaque parcelle
Outil d’aide à
la décision
Données
Information
interprétable et
mobilisable par les
acteurs ciblés
9. Alerte Charançons
Outil d’aide à
la décision
Données
Modèle
Information
interprétable et
mobilisable par les
acteurs ciblés
10. Projet SEPIM : Associer données de surveillance, données
complémentaires et modélisation pour alimenter des OAD
Intégrer des données complémentaires dans les modèles :
• météorologie, usage des sols, connectivités inter-parcellaires, pratiques, faune,
flore, etc.
Objectif de prédire les risques pucerons et jaunisses :
• à haute résolution
• dans des systèmes complexes et de grande dimension tels que les territoires
agricoles betteraviers
• à des horizons temporels plus ou moins éloignés
• avec comme finalité d’accompagner différents acteurs dans leurs processus de
décisions
12. Quelques résultats : Effets des conditions environnementales
sur la jaunisse Dorian Chauvin et al.
Degrés
jours
jan.-mars
Tempé-
rature
moyenne
mars-juin
Céréales
5km
Distance
parcelles
portes-
graines
Evapo-
transpiration
potentielle
M-3
Pucerons
dans
cuveMes
jaunes
13. Quelques résultats : « Surveiller » le niveau de jaunisse
avec les images satellites
Régression
R2 = 0.70
0 1
0
20
40
60
80
Seuil = 10%
Prédiction
Sévérité
(%)
0 1
0
20
40
60
80
Seuil = 15%
Prédiction
Sévérité
(%)
0 1
0
20
40
60
80
Seuil = 20%
Prédiction
Sévérité
(%)
Classification
Balanced accuracy = 0.92
Modélisation de la dynamique
Samuel Soubeyrand et al.
14. Quelques résultats : Lien entre niveau de jaunisse estimé à
l’aide des images satellites et rendement François Joudelat et al.
Etude de cas en Eure-et-Loir
(saison 2023)
Le rendement est corrélé à la gravité jaunisse estimée par satellite
Sévérité jaunisse es9mée
Rendement
15. Quelques résultats : Dates futures d’arrivée des pucerons
Albert Olioso et al.
Evolution de la
température
moyenne du 1/01
au 14/02
Date d’arrivée
d’après le modèle
M1D5c de Luquet
et al. (2023)
~ +2°C en 2100 > +2°C en 2100 ≥ +4°C en 2100
16. Conclusion et perspectives
Autres travaux dans SEPIM
Apport des données complémentaires : Mobiliser des sources d’information dont les coûts réels ne reposent
par sur les agriculteurs et les autres acteurs de la filière
Des approches permettant d’alimenter de nouvelles solutions pour l’aide à la décision : Modèle GREcoS,
Alerte Pucerons et autres systèmes moins formels
Projet GRAAL : Génie et Recherche Agroécologiques pour l’Aide à la décision et la Limitation du risque
jaunisse
Prévision des vols de pucerons
(Luquet, Tricault et al.)
Enquête sur les paysages des pratiques
(Marrec, Caro et al.)
Evaluation des traitements contre les pucerons
(Favrot, Makowski et al.) …
Améliorer les connaissances
sur l’épidémiologie des
jaunisses et leur intégration
dans des modèles
• Renforcer la capacité à
prédire le risque jaunisse
• Evaluer les moyens de sa
mifgafon
• Abaisser significafvement
ce risque
Fiabiliser le conseil
opérationnel