56
L’AGROÉCOLOGIE : RECHERCHES POUR LA TRANSITION DES FILIÈRES ET DES TERRITOIRES
rodés. Ces infrastructures nécessitent dans la plupart des cas d’être étendues au plan
thématique (biophysique, biotechnique, sciences sociales) et instrumental pour acquérir
de manière coordonnée des données pour l’étude de systèmes de production agroécologiques. L’émergence et la pérennisation de « réseaux » de paysages contrastés amènent à
identifier de façon harmonisée des situations de productions et des gradients paysagers.
Un exemple de cette logique est le réseau national Sebiopag pour l’étude des services
écosystémiques assurés par la biodiversité dans les paysages agricoles, qui rassemble
des paysages localisés dans cinq régions françaises.
2. Le renforcement de moyens d’observation, notamment de nouveaux capteurs (proxi
et télédétection), afin d’accéder à des données de haute densité et de haut débit pour
l’ensemble des variables (biotiques, abiotiques et pratiques des acteurs), nécessaires
pour l’analyse de la variabilité des phénomènes écologiques et agronomiques à l’échelle
paysagère (voir chapitre 6).
3. L’amplification d’approches participatives pour compléter l’observation scientifique
par les connaissances expertes d’acteurs ou par des observations non formelles opérées par des acteurs non scientifiques ou professionnels. On pourrait également envisager la mise en place d’expériences économiques à grande échelle pour étudier les
mécanismes incitatifs qui encouragent l’enrôlement des agriculteurs dans des mesures
agro- environnementales de conception innovante (bonus d’agglomération, engagements
collectifs, rémunération au résultat).
Gestion et analyses statistiques des données
Les méthodes statistiques existantes sont à adapter pour traiter les données hétérogènes.
Les modèles à l’échelle des paysages sont éminemment multidisciplinaires (écologie, sociologie, agronomie) et doivent donc considérer une multiplicité de types de données (par
exemple comptage, occurrence, mesure spectrale, marque génétique) issues aussi bien des
big data, comme des images aériennes ou du séquençage haut débit, que des observations
plus ponctuelles souvent obtenues en écologie. Dans ce cadre, les méthodes statistiques
classiques ne s’appliquent plus. De nombreux outils sont maintenant utilisés assez couramment en écologie spatiale (régression PLS
46 pour les multicolinéarités ou le big data,
arbre de décision et forêt aléatoire pour les variables hétérogènes et la prédiction, statistique spatiale via INLA
47 intégrant les aspects temporels des données, etc.). Cependant,
les données actuelles sont de plus en plus spatio-temporelles. Elles demandent donc de
caractériser des dépendances dans l’espace et le temps liées aux dynamiques des processus étudiés. Les modèles issus de la statistique spatiale s’étendent progressivement au
domaine spatio-temporel. Bien que des solutions sous le logiciel R
48 existent, un travail de
transfert vers les non-spécialistes est nécessaire. Enfin, ce passage vers le domaine spatiotemporel peut aussi se faire via la modélisation explicite des dynamiques des processus
46. Partial Least Squares.
47. Integrated Nested Laplace Approximations.
48. Voir https://fr.wikipedia.org/wiki/R_(langage).
L’AGROÉCOLOGIE : RECHERCHES POUR LA TRANSITION DES FILIÈRES ET DES TERRITOIRES
rodés. Ces infrastructures nécessitent dans la plupart des cas d’être étendues au plan
thématique (biophysique, biotechnique, sciences sociales) et instrumental pour acquérir
de manière coordonnée des données pour l’étude de systèmes de production agroécologiques. L’émergence et la pérennisation de « réseaux » de paysages contrastés amènent à
identifier de façon harmonisée des situations de productions et des gradients paysagers.
Un exemple de cette logique est le réseau national Sebiopag pour l’étude des services
écosystémiques assurés par la biodiversité dans les paysages agricoles, qui rassemble
des paysages localisés dans cinq régions françaises.
2. Le renforcement de moyens d’observation, notamment de nouveaux capteurs (proxi
et télédétection), afin d’accéder à des données de haute densité et de haut débit pour
l’ensemble des variables (biotiques, abiotiques et pratiques des acteurs), nécessaires
pour l’analyse de la variabilité des phénomènes écologiques et agronomiques à l’échelle
paysagère (voir chapitre 6).
3. L’amplification d’approches participatives pour compléter l’observation scientifique
par les connaissances expertes d’acteurs ou par des observations non formelles opérées par des acteurs non scientifiques ou professionnels. On pourrait également envisager la mise en place d’expériences économiques à grande échelle pour étudier les
mécanismes incitatifs qui encouragent l’enrôlement des agriculteurs dans des mesures
agro- environnementales de conception innovante (bonus d’agglomération, engagements
collectifs, rémunération au résultat).
Gestion et analyses statistiques des données
Les méthodes statistiques existantes sont à adapter pour traiter les données hétérogènes.
Les modèles à l’échelle des paysages sont éminemment multidisciplinaires (écologie, sociologie, agronomie) et doivent donc considérer une multiplicité de types de données (par
exemple comptage, occurrence, mesure spectrale, marque génétique) issues aussi bien des
big data, comme des images aériennes ou du séquençage haut débit, que des observations
plus ponctuelles souvent obtenues en écologie. Dans ce cadre, les méthodes statistiques
classiques ne s’appliquent plus. De nombreux outils sont maintenant utilisés assez couramment en écologie spatiale (régression PLS
46 pour les multicolinéarités ou le big data,
arbre de décision et forêt aléatoire pour les variables hétérogènes et la prédiction, statistique spatiale via INLA
47 intégrant les aspects temporels des données, etc.). Cependant,
les données actuelles sont de plus en plus spatio-temporelles. Elles demandent donc de
caractériser des dépendances dans l’espace et le temps liées aux dynamiques des processus étudiés. Les modèles issus de la statistique spatiale s’étendent progressivement au
domaine spatio-temporel. Bien que des solutions sous le logiciel R
48 existent, un travail de
transfert vers les non-spécialistes est nécessaire. Enfin, ce passage vers le domaine spatiotemporel peut aussi se faire via la modélisation explicite des dynamiques des processus
46. Partial Least Squares.
47. Integrated Nested Laplace Approximations.
48. Voir https://fr.wikipedia.org/wiki/R_(langage).