Sélection statistique de variables pour une recherche participative à la ferme : cas du blé tendre (Triticum aestivum L)

il s'agit d'un type de produit dont les métadonnées ne correspondent pas aux métadonnées attendues dans les autres types de produit : DISSERTATION

Master

English. Classic selection doesn’t always fit with low input agriculture, because usually these varieties are selected for their high yield with high inputs. The project “PaysBlé” where farmers are involved, try to help farmers bakers to select bread wheat for their own production. Wheat with distinct genetics and different intra-varietal diversity are compared in the real conditions of the farm. This project is really innovating. A lot of data have been collected categorized in variables, therefore it was necessary to select those which were the most interesting. We had to find a statistical method to remove some variables without losing too much statistical power, in order to increase the number of field trials (more varieties and more farmers involved). Two statistical methods have been used: PLS and ClustOfVar, separately or in combination and have been compared in order to select the best to reduce the number of variables. The combination of these two methods is the best and the number of variables has been reduced from 106 to 58. This work will allow adding new field trials without having too much work to collect data, and will help the farmers selecting their varieties of bread wheat.

French. La sélection classique n'est pas toujours adaptée aux agriculteurs travaillant à faible niveau d'intrants. Le projet participatif PaysBlé vise à aider les paysans-boulangers à sélectionner eux-même leurs propres variétés de blé tendre. Pour cela différents types génétiques sont comparés, représentant des niveaux de diversité intra-variétale diverses, dans leurs conditions réelles de culture. Ce projet étant très innovant, de très nombreuses mesures ont été réalisées, et il est nécessaire de mettre en place une méthode d'analyse adaptée pour choisir les mesures les plus intéressantes. Pour cela, deux méthodes statistiques, la PLS et le package R ClustOfVar, ont été utilisées, séparément et en association, et comparées, afin de déterminer la méthode la plus appropriée pour réduire le nombre de variables tout en restant pertinent. La méthode retenue est la combinaison des deux analyses. Ces travaux ont permis in fine de réduire le nombre de variables de 106 à 58. Cela permettra de mettre en place de nouvelles expérimentations en réduisant le travail de terrain, ainsi que de donner aux paysans des critères de sélection pertinents pour leur travail.