Fiabilité et transparence : une plongée dans notre processus de validation scientifique

Pour aider les agriculteurs, les gestionnaires de comptes et les assureurs à prendre les bonnes décisions face aux risques du secteur agricole, nous devons fournir des résultats aussi fiables que la science le permet, grâce à un processus de validation aussi transparent que possible. En combinant toutes nos expertises en statistiques, mathématiques et intelligence artificielle, nous avons mis en place un processus de validation exigeant et rigoureux pour toutes les étapes de notre modélisation : du rendement agricole aux mesures d'adaptation.

Une plongée dans notre processus de validation scientifique.

Un processus rigoureux pour des décisions fiables

Notre approche est basée sur une connaissance scientifique approfondie climatologie, agronomie et économie. Grâce à des techniques statistiques, mathématiques et d'intelligence artificielle avancées, nous construisons des modèles capables de prédire des phénomènes complexes liés au climat et à l'agriculture, et d'offrir des informations précises et, surtout, exploitables.

Notre modélisation des performances d'adaptation observées s'effectue en quatre étapes :

• Réduction d'échelle des données départementales de rendement ;
• Construction de modèles d'apprentissage profond reliant les données pédologiques, climatiques et agronomiques aux rendements observés ;
• Projections de rendement à l'aide de données de modèles climatiques ;
• Effet des mesures d'adaptation sur les rendements observés et prévus.

Pour garantir la fiabilité de nos solutions, nous avons mis en place un processus de validation strict pour chaque étape du processus de modélisation.

Réduction d'échelle des données de rendement départementales : affiner les prévisions au niveau local

Ce module transforme les données de rendement disponibles au niveau départemental en informations plus granulaires, à une résolution de 500 m, permettant une appréciation plus fine du contexte local. Ces résultats peuvent être agrégés en fonction de la résolution requise pour la modélisation et alimenter directement notre modélisation du rendement, de sorte que toute erreur peut être propagée, ce qui rend la vérification et la validation de ces résultats essentielles.

1. Évaluation statistique : à l'aide de mesures statistiques telles que l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE), ainsi que la variation temporelle. Nous comparons nos modèles aux rendements observés afin de les ajuster et de les améliorer en permanence. L'évaluation statistique implique également l'analyse de l'effet des variables clés afin de décélérer leur influence et de les comparer aux publications scientifiques de référence.
2. Validation physique : en l'absence de données de référence précises à l'échelle infra-départementale, nous analysons les corrélations entre les paramètres pédologiques, topographiques et pédologiques afin de vérifier la cohérence de nos estimations avec la littérature scientifique et agronomique.
3. Validation dans l'exploitation : Grâce à nos partenaires agricoles et aux organisations du secteur, nous avons également accès aux données de rendement des exploitations, ce qui nous permet de vérifier nos données.

Tester la précision de nos modèles de rendement

Ce module est au cœur de notre approche : il prédit les rendements en fonction des conditions climatiques et de facteurs agronomiques tels que la durée du cycle de croissance de la culture (du semis à la récolte) et les paramètres du sol comme sa composition ou sa profondeur.La modélisation est basée sur un algorithme d'apprentissage profond (un réseau de neurones) qui prend en entrée les données mentionnées ci-dessus. Le processus de validation se compose également de trois étapes.

• Validation par généralisation : le modèle formé est validé en testant sa capacité à prédire des données qui n'ont pas été utilisées dans la phase de formation. Cette étape permet de vérifier que le modèle peut être généralisé au-delà des données utilisées pour la formation. Il s'agit d'une étape clé, car les modèles développés sont également utilisés pour prévoir les rendements futurs.
• Tests statistiques : au moyen d'une comparaison entre les rendements prédits et observés, de nombreux tests sont appliqués, tels que RMSE, mean absolute percentage error (MAPE), MAE. Une autre nouveauté de ce processus de validation est son application à des sous-ensembles de données extrêmes, afin de tester la capacité du modèle à expliquer les événements ayant l'impact le plus négatif sur les rendements...
• Tester l'effet des variables : cette étape est cruciale pour vérifier que les modèles développés reproduisent correctement les variations attendues, telles que l'effet d'un coup de chaleur ou d'une vague de sécheresse à différentes phases phénologiques. Cette analyse est basée sur des méthodes statistiques très avancées telles que Valeurs de Shapley et Test de sensibilité à l'amplitude de Fourier.

Projection des rendements dans le temps

Une fois le modèle d'apprentissage profond validé sur les données observées, nous évaluons sa capacité à prédire les rendements futurs, un défi encore plus complexe. Ce défi est complexe dans la mesure où les bases de données disponibles pour la comparaison sont peu courantes et souvent limitées aux principales cultures, alors que nous produisons actuellement des résultats pour 40 cultures différentes.

• Projections de rendement disponibles : pour les principales cultures (blé, riz, maïs et soja), il y a projets internationaux de comparaison des rendements. Ces données facilitent la comparaison directe, même si la plupart des modèles utilisés dans cet exercice ont des caractéristiques différentes. les limites concernant les extrêmes climatiques et surtout, excès d'eau.
• Comparaison des procurations : nous nous appuyons sur des travaux portant sur d'autres cultures et publiés dans des revues à comité de lecture, notamment sur l'adéquation des cultures au climat. Il s'agit notamment de nos travaux en collaboration avec la FAO, publiés en 2025 dans la revue Lettres de recherche sur l'environnement. Ces études utilisent d'autres méthodes et modèles, ce qui permet de comparer et de valider nos prévisions avec différentes approches reconnues.
• Tests de stress : le modèle est "stressé" pour vérifier sa réponse aux événements extrêmes ou aux conditions climatiques. Nous analysons les performances du modèle dans divers scénarios climatiques futurs.

Évaluer les stratégies d'adaptation

Pour évaluer la fiabilité de notre modélisation de l'adaptation, nous avons réalisé une méta-analyse portant sur les éléments suivants plus de 10 000 articles scientifiques. A partir de ce corpus, les articles pertinents pour notre analyse ont été sélectionnés et les données relatives aux effets des adaptations sur les rendements et les variables agronomiques ont été extraites. Grâce à cette méta-analyse, nous disposons d'une vaste base de données issues de la littérature avec laquelle nous pouvons comparer les résultats générés par nos modèles de rendement afin d'en évaluer la précision, et à partir de laquelle nous pouvons affiner les paramètres utilisés dans ces modèles.

1. Comparaison de l'effet sur les rendements : les résultats générés par nos modèles intégrant l'adaptation sont comparés aux données extraites de la méta-analyse. L'indicateur statistique utilisé est le Coefficient de Szymkiewicz-Simpson. Cela permet de vérifier la fiabilité de la méthode et, le cas échéant, d'ajuster les paramètres agro-climatiques. 
2. Ajustement des paramètres agro-climatiques basé sur la littérature pour l'effet de l'adaptation : nos modèles intègrent les résultats d'études scientifiques pour quantifier les effets des stratégies d'adaptation sur les variables climatiques et pédologiques. En cas de non-concordance des résultats obtenus lors de la phase de comparaison, cet ajustement permet de corriger les effets modélisés.
3. Avis d'expert : alors que toutes les autres étapes du processus de validation, pour la modélisation et la validation de l'adaptation, nous retenons une validation finale par jugement d'expert. Cette validation permet de vérifier que les résultats obtenus par les modèles sur des données historiques sont cohérents avec la littérature scientifique et les effets attendus d'une mesure d'adaptation dans un contexte pédoclimatique spécifique.

Vers une norme de marché

Notre objectif ne se limite pas à l'évaluation de nos modèles actuels. Nous souhaitons que ce processus de validation des modèles devienne un cadre de référence, un standard de marché pour tous les acteurs de l'adaptation et du conseil en risques climatiques dans le monde agricole et ailleurs. Ce cadre de référence devrait inclure

• Publication de la méthode d'évaluation et de validation des données et des modèles.
• Mettre à disposition les résultats de l'évaluation et de la validation, en vue de les normaliser.
• Automatisation des tests de validation pour une plus grande efficacité.
• La production de rapports détaillés pour un suivi transparent et rigoureux, toujours à la disposition des utilisateurs et des décideurs qui utilisent ces données.

En adoptant cette approche exigeante, nous nous assurons que nos modèles sont non seulement précis, mais aussi robustes et fiables. adaptés aux besoins réels de ceux qui produisentLes entreprises du secteur de l'agriculture ont pour mission d'assurer et de financer le monde de l'agriculture.

Vous souhaitez en savoir plus ? Contactez nous.