En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal AgroParisTech université Paris-Saclay

ECOSYS Bienvenue

UMR ECOSYS - Ecologie fonctionnelle et écotoxicologie des agroécosystèmes

Soutenance de thèse de Su Yang

22 octobre 2021 - INRAE Paris

Data-driven approach for addressing global agricultural issues: application to assess productivity of conservation agriculture under current and future climate

It is with great pleasure that I send you this invitation to attend my thesis defense entitled, Data-driven approach for addressing global agricultural issues: application to assess productivity of conservation agriculture under current and future climate

The defense is scheduled on Friday, 22nd of October 2021 at 15h00 (Paris Time).

The event is organized both onsite and online.

The address of the onsite venue is

Amphithéâtre,

INRAE Centre Siège,

Amphithéâtre

147 rue de l'Université,

PARIS 75007

For the onsite participation, only 30 people are allowed in the room Amphithéâtre of INRAE Centre Siège. So please fill the survey here if you want to attend onsite.

https://doodle.com/poll/8tbqppu8ddsqk825?utm_source=poll&utm_medium=link 

If you prefer attending online, please use the following link (Zoom meeting) at the moment of the defense:

Participer à la réunion Zoom :

Time:  Friday, 22nd of October 2021 at 15h00 (Paris Time)

https://uvsq-fr.zoom.us/j/99820856142?pwd=SzVDYzAvUHBuK2dNdDg1blZOYStjUT09

ID de réunion : 998 2085 6142

Code secret : 736780

Abstract:

Assessing agricultural practices has become a major issue due to growing concerns about global food security and the negative effects of agriculture on the environment. Meta-analysis has become a standard approach for such assessments based on experimental data collected from published works. It provides valuable synthetic information to scientists and policy makers based on mean effect size estimation. However, summarizing large amounts of information by way of a single mean effect value is not always satisfactory, especially when considering agricultural practices and their impacts on crop yields. These impacts vary widely depending on a number of factors, including soil properties and local climate conditions. Here, we present a machine learning (ML) pipeline that produces data-driven global maps describing the spatial distribution of the productivity of farming practices. Our approach covers the selection and comparison of ML algorithms, model training, tuning with cross-validation, testing, and results global projection. We demonstrate its relevance using a global dataset we conducted which comparing the crop yields of conservation agriculture (CA) and no tillage (NT) vs. conventional tillage (CT) systems with a wide range of crop species, farming practices, soil characteristics and climate conditions over crop growing season. This dataset contains 4403 paired yield observations between 1980 and 2017 for eight major staple crops in 50 countries. This dataset can help us gain insight into the main drivers explaining the variability of the productivity of NT and the consequence of its adoption on crop yields.

Through this ML pipeline, various models for classification, regression and quantile regression are trained based on 12 mainstream ML algorithms. After testing, the most accurate models are used to map the crop productivity of CA and its variants vs. CT at the global scale under different farming practices and climate conditions in the past (1981-2010), current (2011-2020) and future (2051-2060) scenarios. The variations in the productivity of CA and NT across geographical and climatical regions under the past, current and future climate scenarios were illustrated on global maps.

We reveal large differences in the probability of yield gains with CA across crop types, agricultural management practices, climate zones, and geographical regions. We show that for most crops, CA performed better in continental, dry and temperate regions than tropical ones. Under future climate conditions, the performance of CA is expected to mostly increase for maize over its tropical areas, improving the competitiveness of CA for this staple crop. Here we also show that CA has better productive performance than no-till system (NT), and it stands a more than 50% chance to outperform CT in dryer regions of the world, especially with proper agricultural management practices. In conclusion, CA appears as a sustainable agricultural practice if targeted at specific climatic regions and crop species.

 

Keywords:

Conservation agriculture, climate change, crop yield, machine learning

 

Composition du Jury :

M. Ignacio CIAMITTI, Professor, Kansas State University :Rapporteur & Examinateur

M. Marc CORBEELS, Chercheur HDR, CIRAD : Rapporteur & Examinateur

Mme Nathalie PEYRARD, Directrice de Recherche, INRAE Occitanie-Toulouse : Examinatrice

Mme Largouet, Maîtresse de conférences Institut Agro AgrocampusOuest, Examinatrice

M. Benoît GABRIELLE, Professeur, AgroParisTech Université Paris-Saclay :  Directeur de thèse

M. David MAKOWSKI, Directeur de Recherche, INRAE IDF Versailles-Grignon : Codirecteur de thèse & Examinateur