Valuing farm data for agronomic research and operational purposes : the example of yield forecasting in viticulture | Valorisation des données agricoles pour la recherche agronomique et à des fins opérationnelles : exemple de la prévision du rendement en viticulture

anglais. Farm data are data commonly collected in commercial farms in the course of their everyday operation for traceability and/or management purposes. They offer the advantage of accurately representing the production context of a given farm by providing information on the cropping system, environment, crop management, logistics etc. They also offer larger data sets than those resulting from research experiments, especially in terms of data histories. However, they are characterized by lower data quality and a parsimonious number of variables. This study is based on the hypothesis that valuing farm data with adapted statistical methods can help in performing agronomical research that complies with the operational needs and constraints of a commercial farm and result in the delivery of actionable site specific knowledge and/or information. This PhD project was founded by a precision viticulture company, Fruition Sciences, and therefore aimed at investigating this hypothesis in the viticultural industry. The case study of yield forecasting was chosen because it corresponds to a performance indicator used to decide most operations in the vineyard and winery. It is also a cornerstone of agronomic and ecophysiological research in viticulture. Nevertheless, the relative contribution of the numerous research proposals to this topic remains unclear and the industry expectations unsatisfied. Thus, a literature review was first undertaken to propose a comprehensive framework for yield estimation, prediction and forecasting methods. It was decomposed into the three processes of measurement, sampling and modelling. Positioning each literature proposal in this framework while evaluating their consideration of operational needs and constraints revealed yet unexplored opportunities for improving grape yield forecasting. These conclusions were translated into the following scientific questions : how to define a site-specific model of grape yield development which could comply with the operational constraints and expectations and which could be informed by farm data ? how to adapt the required statistical analyses accounting for characteristics of farm data ? then how to develop a grape yield forecasting approach based on these adapted conceptual model and statistical analyses ? The Phd project aimed at answering these questions from the study of 9 farm data sets amongst which 3 were selected as case studies. Climate influence on grapevine yield development is prevalent and weather time series data are commonly encountered in the data sets of commercial vineyard. The main focus was therefore placed on leveraging time series of weather data. Their analysis first required the computation of a timeline that was consistent with the vine phenology to study the weather influence over several years at comparable stages of the on-going yield development. This work led to the development of a constrained optimization method called extended Growing Degree days (eGDD method). It allows the computation of site-specific timelines based on thermal indices. The thermal indices computed with the eGDD method showed better results than the Gregorian calendar and the classical Growing Degree Days approach in predicting the achievement dates of phenological stages and in synchronizing time series in accordance with grapevine phenology. The so-synchronized time series of weather data were then analysed with a Bayesian functional Linear regression with Sparse Steps functions and resulted in the detection of vineyard-specific periods of weather influence. Based on the case study of yield forecasting in viticulture, this work provided an example of leveraging farm data to conduct agronomic research which complies with field needs and constraints in order to provide relevant information for decision support in the field. All the methods proposed in this PhD project constitute an original framework for valuing farm data with various possible applications in agriculture.

français. Les données agricoles sont couramment collectées dans les exploitations agricoles. Elles représentent le contexte de production d'une exploitation donnée en fournissant des informations sur le système de culture et les pratiques culturales, l'environnement, la logistique, etc. Elles offrent également des historique des données plus importants. Cependant, les données agricoles sont aussi caractérisées par une moindre qualité et un nombre de variables réduit. Cette thèse est basée sur l'hypothèse que la valorisation des données agricoles par des méthodes statistiques adaptées peut aider à conduire des recherches agronomiques appropriées aux besoins et contraintes opérationnels d'une exploitation et générer des connaissances et/ou informations locales pertinentes pour l'aide à la décision sur le terrain. Ce projet a été initié par une entreprise de viticulture de précision, Fruition Sciences, et vise donc à étudier cette hypothèse au sein de la filière viti-vinicole. L'étude de cas de la prévision du rendement a été privilégiée car elle correspond à un indicateur agronomique utilisé pour décider de la plupart des opérations au vignoble et au chai. Néanmoins, la contribution relative des nombreuses propositions de recherche sur ce sujet reste floue et les attentes de l'industrie insatisfaites. Ainsi, une revue de la littérature a d'abord été entreprise afin de proposer un cadre global pour les méthodes d'estimation, de prédiction et de prévision du rendement. Ce cadre a été décomposé en trois processus : mesure, échantillonnage et modélisation. Le positionnement de chaque proposition de la littérature dans ce cadre a révélé des possibilités encore inexplorées d'amélioration de la prévision du rendement viticole. Ces conclusions ont été traduites dans les questions scientifiques suivantes : comment définir un modèle de d'élaboration du rendement viticole local et adapté aux contraintes et attentes opérationnelles sur la base de données agricoles ? comment adapter les analyses statistiques requises en tenant compte des caractéristiques des données agricoles ? puis comment développer une approche de prévision du rendement viticole basée sur ce modèle conceptuel et ces analyses statistiques ? Le projet de doctorat vise à répondre à ces questions à partir de l'étude de 9 jeux de données viticoles, dont 3 ont été sélectionnés comme études de cas. L'accent a été mis sur l'exploitation des séries temporelles de données météorologiques. Leur analyse a d'abord nécessité une expression du temps cohérente avec la phénologie de la vigne afin d'étudier l'influence de la météo sur plusieurs années à des stades comparables de l'élaboration du rendement. Ce travail a conduit au développement d'une méthode d'optimisation sous contrainte appelée méthode extended Growing Degree days ou Degrés Jours étendus (méthode eGDD). Elle permet d'établir un calendrier spécifique à chaque site sur la base d'un indice thermique. Les indices thermiques calculés avec la méthode eGDD ont montré de meilleurs résultats que le calendrier grégorien ou l'approche classique des Degrés jours pour synchroniser des séries temporelles en fonction de la phénologie de la vigne. Les séries temporelles de données météorologiques ainsi synchronisées ont ensuite été analysées à l'aide d'une régression linéaire fonctionnelle bayésienne avec des fonctions en escalier et ont permis de détecter des périodes d'influence météorologique spécifiques au vignoble. Sur la base de l'étude de cas de la prévision du rendement en viticulture, ce travail a fourni un exemple de valorisation des données agricoles pour mener des recherches agronomiques en tenant compte des besoins et contraintes du terrain et en fournissant des informations pertinentes pour l'aide à la décision sur le terrain. Toutes les méthodes proposées dans ce projet de thèse constituent un cadre original pour la valorisation des données agricoles avec diverses applications possibles en agriculture.