Prédire

Notre équipe scientifique vous accompagne de la preuve de concept à la solution idéale, pour le développement, le test, l’intégration et l’utilisation de modèles puissants, pour la prédiction et la simulation de la croissance et du développement de la plante dans un cadre agronomique.

Nous couplons l’approche théorique et historique des modèles de culture, avec des modèles d’intelligence artificielle et de machine learning. La première apporte les connaissances scientifiques, les suivants apprennent, estiment ce qui n'est pas perceptible, et améliorent la prédiction en la contextualisant.

Pour repousser les limites de l'existant, nous prenons le meilleur des deux mondes.

Nos experts ont travaillé sur des modèles agronomiques complexes développés dans un contexte de recherche : APSIM, WOFOST, CERES et STICS. Ils sont habitués à développer et redévelopper des modules de calcul de prédiction pour différentes espèces végétales et des applications agronomiques concrètes. De plus, ils sont éprouvés aux dernières techniques de machine et deep learning qui permettent, d'une part l'intégration de données capteurs pour la calibration et la validation des modèles, et d'autre part une utilisation couplée avec les modèles de culture pour affiner et préciser les prédictions.

 Anticiper.

Modéliser pour anticiper les risques qui s'appliquent aux cultures et appréhender les effets du climat, du sol et de l’itinéraire technique pour évaluer les rendements et les pertes, afin de prendre les bonnes décisions, au bon moment.

- Evaluer le risque dû à la sécheresse, qui pèse sur chaque culture au niveau régional,

- Estimer les risques d’apparitions de maladies,

- Prédire le rendement d'une culture en amont de la récolte.

Modéliser pour évaluer ce qui n'est pas mesurable est une démarche fondamentale pour la sélection variétale et la recherche agronomique. Pour estimer des variables non accessibles ou non mesurables directement, mais fondamentales pour caractériser des environnements de culture et des variétés.

- Estimer l’utilisation de l’eau d’une variété, en calibrant le modèle à partir de mesures du sol (ex : tensiomètre) et de surface foliaire par drone pendant la période de culture.

 

- Caractériser un réseau de champs au plus près des stress subis par la plante :  envirotyping.

cotton_hand.png
Evaluer.
Les jeunes plants
Expérimenter.

La modélisation peut, en amont de l'expérimentation réelle, permettre de simuler de nouveaux itinéraires techniques, de nouvelles pratiques, de nouvelles variétés, ou des environnements multiples. Cela permet de tester des hypothèses ou de défricher le travail d’expérimentation pour en limiter les coûts.

 

Tester des variétés virtuelles pour cibler de nouveaux traits d’intérêt maximisant la production : ideotyping.

Comment se déroule une prestation ?

Notre équipe intervient à toutes les étapes clés, pour mener à bien vos objectifs :

Est-ce possible ? Nous étudions l’existant et mettons en place un POC (proof-of-concept) pour étudier et évaluer la faisabilité d'un projet.

De quelles données ai-je besoin ? Nous vous accompagnons pour définir et traiter les données à mesurer, nécessaires à la calibration et à la validation d'une solution fiable et pertinente.

Quelle solution utiliser ? Nous identifions la meilleure solution, adaptée à votre projet. Si elle existe nous vous aidons à la mettre en place, si elle n’existe pas nous la développons pour vous.

Comment intégrer cette solution ? Nous vous aidons à intégrer la solution dans votre environnement hardware et software,  qu'elle soit pré-existante ou développée avec vous. Le cas échéant, nous vous apportons nos compétences pour mettre en place l’environnement adéquat. 


Votre problématique est unique, contactez-nous, c'est pour nous un plaisir de répondre à vos questions.

 
bande_bottom.png

PHYMEA Systems

 

Montpellier, FRANCE

Lausanne, SUISSE

Paris, FRANCE

 

© 2021 - PHYMEA Systems