Offre de thèse en modélisation pour l’agriculture de précision

Modélisation expérimentale et statistique des relations entre caractéristiques morphologiques de la vigne et dépôts de pulvérisation : application à l’agriculture de précision.

Réduire l’utilisation de produits phytopharmaceutiques par la caractérisation du végétal.
Une thèse proposée par l’ACTA et l’IFV en très étroite collaboration avec Irstea à Montpellier, co-financée par l’institut de Convergences #digitAg, Ecole doctorale : GAIA

Contacts :

Sébastien Codis, IFV (prenom.nom@vignevin.com) (tel 0614262602), Olivier Naud, Irstea (prenom.nom@irstea.fr), Carole Sinfort (Directrice de thèse, Montpellier Supagro, nom@supagro.inra.fr).

Mots clefs :

pulvérisation de précision, architecture du végétal, réduction des intrants phytosanitaires.

Objectifs :

La réduction de l’usage des produits phytosanitaires en agriculture (notamment en viticulture), est une exigence sociétale très forte. Du point de vue du vigneron, il s’agit d’apporter les quantités nécessaires et suffisantes pour assurer une protection phytosanitaire correcte de sa culture. Mais quelles sont ces quantités ? Comment prendre en compte le végétal et le matériel pour protéger chaque plant tout en réduisant globalement les quantités épandues ?
Le travail de thèse proposé vise à répondre à ces questions avec une démarche d’agriculture de précision, intensive en données, et par la modélisation expérimentale.

Etat de l’art :

Les technologies innovantes disponibles pour la pulvérisation de précision sont essentiellement au stade de prototypes, et reposent essentiellement sur la gestion des buses en face de ceps « manquants » ou de trous de végétation (arboriculture). La question des échelles dans la caractérisation du couvert végétal et dans la décision de l’agriculteur reste à formaliser. La thèse contribuera à cette formalisation. L’hypothèse est de s’appuyer sur une modélisation prédictive des doses interceptées par le végétal pour décider des quantités pertinentes à épandre.

Questions scientifiques :

L’objectif est de développer des modèles de prédiction des quantités et profils de dépôts sur le végétal en fonction de la morphologie du couvert et des caractéristiques des pulvérisateurs. La première question scientifique est instrumentale : comment caractériser le végétal, comment échantillonner les mesures de dépôt, à quelle échelle (feuille, cep, portion rang, parcelle) faut-il travailler ? Cette question instrumentale conduit également à un questionnement statistique : quelles sont les corrélations des mesures au sein du couvert, entre ceps d’un même rang, quelle est la variabilité spatiale ? Enfin, les données collectées et analysées doivent être interprétées au plan agronomique pour prendre des décisions : comment formaliser le cadre décisionnel de la pulvérisation de précision, du point de vue de l’agriculteur ?

Démarche :

La démarche de modélisation expérimentale s’appuie sur la définition de scénarios technologiques portant sur les équipements, les capteurs disponibles, la conduite de la vigne notamment la géométrie du couvert et son évolution, la densité foliaire. Les partenaires IFV et Irstea, regroupés au sein d’une Unité Mixte Technologique (UMT) à Montpellier disposent d’une expérience expérimentale solide et des moyens suivants : banc de caractérisation des performances de dépôt de pulvérisation EvaSprayViti, LiDAR et algorithmes de traitement de données pour caractériser finement le végétal, accès à un réseau de parcelles expérimentales.

Profil du candidat recherché :

  • Agronome avec un goût prononcé pour les questions expérimentales avec utilisation de capteurs et des compétences en analyse de données et statistiques.
  • Ou formation en Génie des procédés et/ou en instrumentation motivé par les questions agricoles, la caractérisation du végétal et des équipements de protection des cultures.

Télématin: l’agriculture numérique à l’honneur

Ce matin, Yann Lavoix, chroniqueur « nouvelles technologies » de l’émission Télématin sur France 2,  a consacré son billet à l’agriculture numérique.

La parole a été largement donnée à Anthony Clenet (SMAG), ancien AgroTIC, qui a présenté très clairement les concepts d’agriculture de précision et de numérique agricole.

Capture

Vous trouverez l’émission à l’adresse suivante:

https://www.france.tv/france-2/telematin/240297-emission-du-mardi-12-septembre-2017.html

Aller directement à l’index 1h23’30’ ‘.

 

John Deere investit dans l’Intelligence Artificielle

John Deere vient d’acquérir la société californienne Blue River Technology, spécialisée dans les outils de Deep Learning au service du désherbage de précision.

Le Deep Learning, ou apprentissage profond est une nouvelle façon de structurer et les réseaux de neurones artificielles, dans le but de permettre de prendre des décisions complexes à partir d’un apprentissage sur des jeux de données immenses. Ce sont ces technologies qui sont utilisées par les algorithmes récents de traduction automatique ou par les véhicules autonomes.

Plus de détails sur :

http://www.frenchweb.fr/le-fabricant-de-tracteurs-john-deere-rachete-pour-305-millions-de-dollars-une-agritech-ai/301818

ou

https://www.deere.com/en/our-company/news-and-announcements/news-releases/2017/corporate/2017sep06-blue-river-technology/

Faire « vibrer » les plantes pour mieux les connaitre

Le projet VIBROPHENE réunit deux laboratoires de l’école polytechnique et de l’INRA et propose une méthode innovante pour le phénotypage des plantes.  ( « Le phénotypage non destructif consiste à identifier une caractéristique physique de lots de plantes et de la suivre au cours de leur croissance »).

L’innovation repose sur une étude du comportement vibratoire d’une plante face un brusque courant d’air, déterminant ainsi les déformations provoquées par le vent.  La vidéo qui décrit le dispositif est ici.

 

« La connaissance des fréquences vibratoires permet de construire une signature mécanique de la plante analysée, particulièrement utile pour connaitre, par exemple, le risque de casse au vent ou de déformation en période sèche. »

Le système (breveté) a permis de déterminer de nouveaux phénotypes et de mesurer des caractères qui sont notamment importants pour éviter la verse des plantes face au vent.

Pour plus de détails :

https://www.ladhyx.polytechnique.fr/fr/biomecanique-et-sante/biomecanique-et-biomimetique-vegetale/

https://www.ladhyx.polytechnique.fr/fr/phenotypage/

Challenges Numériques : « Le spatial est dans le pré »

Startups, PME, 2 challenges à relever pour les coopératives agricoles: Clôture de l’appel le 12 juillet 2017 à midi

Et si agriculture rimait avec spatial & numérique ?

 

image001

Améliorer les récoltes, surveiller et prévenir la grippe aviaire, avec le spatial nous disposons d’outils performants pour donner une nouvelle impulsion à nos agriculteurs et nos éleveurs. Coupler le spatial avec le numérique, la robotique et les objets connectés, les pistes de solutions adressant les besoins de la nouvelle génération d’ ‘ageekulteurs’ et d’éleveurs sont multiples et présentent un vrai territoire d’expérimentation pour les PME et startups françaises.

Dans cette optique, Aerospace Valley en partenariat avec Agri Sud-Ouest Innovation et les sponsors applicatifs Arterris, Terres Du Sud, Ovalie Innovation et Vinovalie, ainsi que leurs partenaires technologiques Sigfox et Atos, lancent les Challenges Numériques Agriculture destinés aux startups et aux PME.

L’objectif de ce Challenge est de faire émerger des solutions répondant aux problématiques exprimées par les coopératives agricoles en s’appuyant sur l’usage des données spatiales (Observation de la Terre, Géolocalisation, Télécom) ainsi que les technologies du numérique.

Les 2 Challenges proposés :

  • La connaissance des sols
  • La prévention et la surveillance de la grippe aviaire

Les solutions développées dans le cadre du Challenge Agriculture répondront à un besoin avéré des acteurs agricoles. Elles trouveront des débouchés directs au sein des 5 coopératives agricoles sponsors, permettant d’apporter un service aux agriculteurs membres (potentiel de 43 000 agriculteurs).

Les lauréats disposeront de 8 mois pour mener à terme leur challenge et d’un financement de 45% pour les TPE et de 35% pour les PME, avec un plafond d’aide de 70k.

Les lauréats qui le souhaitent pourront bénéficier d’un accompagnement par les partenaires techniques Atos et Sigfox.

Plus d’information sur la page dédiée sur le site Booster Nova : http://booster-nova.com/les-challenges-numeriques/agriculture/

  • Descriptif des 2 Challenges
  • Vidéos de l’évènement de lancement : présentation, interviews
  • Ressources data et moyens techniques
  • Dossier de candidature

Thèse « Optimisation des ateliers d’engraissement porcins »

Thèse « Optimisation des ateliers d’engraissement porcins »
(Saint-Gilles, 35, France)

PigOptim :

Optimisation économique et environnementale des ateliers d’engraissement porcins face aux incertitudes des prix de marché et de la valeur des aliments.

Directeur de thèse :

Jean-Yves DOURMAD (IR INRA), UMR PEGASE (Physiologie, Environnement et Génétique pour l’Animal et les Systèmes d’Elevage), Domaine de la Prise 35590 Saint-Gilles.

Co-directeurs de thèse :

Eric DARRIGRAND (MC Université Rennes 1) Equipe d’Analyse Numérique, UMR IRMAR (Institut de Recherche Mathématique de Rennes) Campus de Beaulieu, 35042, Rennes.

Alexandre GOHIN (DR INRA), UMR SMART-LERECO (Structures et Marchés Agricoles, ressources et territoires, Laboratoire d’études et de recherche en Economie), 4 allée Adolphe Bobierre – CS 61103 – 35011 Rennes.

Co-encadrants :

Florence GARCIA-LAUNAY (IR INRA), UMR PEGASE, Fabrice MAHE (MC Université Rennes 1), UMR IRMAR.

Contact pour information et/ou candidature

(avant mi-mai 2017 pour prendre contact et avant le 07/06/17 pour
dépôt du dossier de candidature auprès de l’Ecole Doctorale VAS) : florence.garcia-launay@inra.fr (02.23.48.50.87), fabrice.mahe@univ-rennes1.fr (02.23.23.60.48).

Equipe d’accueil et encadrement :

La thèse sera menée au sein de l’équipe SysPorc « Le Porc dans les Systèmes
d’Elevages » de l’UMR 1348 PEGASE (https://www.rennes.inra.fr/pegase), dans l’Ecole Doctorale VAS (http://www.vas.univ-rennes1.fr/).

Résumé :

Les stratégies alimentaires en atelier d’engraissement sont un facteur clé du résultat économique et des impacts environnementaux de la production porcine. Le choix de la stratégie alimentaire doit se faire dans un contexte économique incertain. La thèse devra répondre à la question : Comment optimiser la stratégie alimentaire pour un groupe de porcs à l’engrais sur des critères économiques et environnementaux dans un contexte incertain ?
Le projet de thèse ambitionne, i) de produire un modèle capable d’optimiser la stratégie alimentaire pour un groupe de porcs à l’engrais sur des critères économiques et environnementaux, et ce dans un contexte incertain, et  ii) d’utiliser ce modèle pour établir l’effet des incertitudes de prix et de valeur des aliments sur les stratégies optimales.

Pour cela le modèle propose d’associer un modèle stochastique de croissance des porcs, une évaluation par Analyse du Cycle de Vie des impacts environnementaux de la production de porcs, un formulateur d’aliments pour porcs et une procédure d’optimisation de la stratégie alimentaire.

Mots-clés :

Optimisation multiobjectif, modèle individu-centré, Analyse de Cycle de Vie, langage Python, résolution numérique, incertitude des prix de marché, formulation d’aliments pour porcs.

Compétences recherchées et financement :

Le candidat devra avoir une formation générale et un master (ou l’équivalent) en mathématiques appliquées et/ou calcul scientifique, ou sciences pour l’ingénieur, et présenter un fort intérêt pour les applications en biologie et en agronomie. Des compétences ou expériences complémentaires en optimisation et recherche opérationnelle, ainsi qu’en simulation des systèmes dynamiques seront appréciées. Le candidat présentera ce projet de thèse lors d’une audition devant un jury de sélection de l’Ecole Doctorale VAS (http://www.vas.univ-rennes1.fr/). Le présent projet de thèse bénéficie du financement d’une demi-bourse de thèse par le métaprogramme GloFoods INRA-CIRAD (http://www.glofoods.inra.fr/) et d’une demi-bourse de la région Bretagne.

Introduction :

Les résultats économiques des élevages porcins dépendent du coût des matières premières (céréales et tourteaux en particulier) utilisées pour formuler (préparer) les aliments et des cours du prix du porc. En production porcine, la programmation linéaire est utilisée depuis des décennies pour trouver les taux d’incorporation des
matières premières qui minimisent le prix des aliments pour porcs, en respectant des contraintes de valeurs nutritionnelles des aliments. Aujourd’hui la formulation des aliments à moindre coût ne permet plus de répondre aux enjeux de la production porcine :

  • compétitivité économique en contexte de prix incertain : la stratégie d’alimentation d’une bande de porcs à l’engrais est définie au moins 4 mois avant son abattage, sans connaître les évolutions à venir des prix de marché.
  • réduction des impacts environnementaux (émissions de gaz à effet de serre, de nitrates,…). La contribution de la production de l’aliment représente souvent plus de la moitié de l’impact total du kilo de porc produit.

Raisonner la stratégie d’alimentation des porcs à l’engrais est donc déterminant pour les résultats environnementaux de l’élevage.
Ainsi, aujourd’hui l’enjeu est de pouvoir optimiser la stratégie alimentaire appliquée aux porcs, en maximisant la marge économique et en minimisant les impacts environnementaux.
Des travaux récents ont permis de construire des modèles capables de simuler l’effet de certaines pratiques d’alimentation sur les performances de croissance d’un animal moyen et d’un groupe de porcs à l’engrais (InraPorc®, 2006 ; Vautier et al. 2013). Un projet récent conduit entre l’UMR PEGASE et l’IFIP a ainsi permis d’aboutir à un modèle de l’atelier d’engraissement porcin qui simule les effets de différentes pratiques d’élevage (notamment pratiques d’alimentation) sur les performances des animaux, et calcule le résultat économique et les impacts environnementaux qui en résultent (Cadéro et al. 2016). Disposer d’un tel modèle permet aujourd’hui d’envisager l’optimisation multiobjectif (économie et environnement) des stratégies d’alimentation pour les porcs en engraissement.
Le projet de thèse devra répondre à la question suivante : Comment optimiser la stratégie alimentaire pour une bande de porcs à l’engrais sur des critères économiques et environnementaux dans un contexte incertain ?
Cette question est à la frontière entre mathématiques et informatiques appliquées, zootechnie des systèmes d’élevage, environnement et économie des exploitations d’élevage. Répondre à cette question nécessitera d’étudier la fonction-objectif et son domaine et d’envisager différentes approches / algorithmes d’optimisation : contrôle
robuste, algorithme génétique, programmation dynamique stochastique,…

Programme de recherche :

Le programme de recherches sera organisé selon les étapes suivantes :

  • Tâche 1 : Conception et implémentation du modèle d’engraissement d’un groupe de porcs à partir du modèle de Cadéro et al. (2016).
  • Tâche 2 : Ecriture d’un cahier des charges pour deux procédures d’optimisation : une première procédure capable d’optimiser la stratégie alimentaire en fonction d’un contexte économique donné et avec une performance élevée (temps de calcul bas, capacité à trouver la solution optimale dans tous les scénarios possibles), et une deuxième procédure capable de réaliser l’optimisation de la stratégie alimentaire dans un contexte incertain. Listing des procédures d’optimisation « candidates » et qui apparaissent à la lumière de la recherche bibliographique en accord avec le cahier des charges.
  • Tâche 3 : Implémentation et test des différentes procédures d’optimisation « candidates » dans des contextes économiques variés. Choix des procédures d’optimisation (pour optimisation en contexte incertain et optimisation
    sans prise en compte de l’incertitude du contexte).
  • Tâche 4 : Choix des scénarios économiques pour tester les procédures d’optimisation / Lancement et analyse des résultats des tests.
  • Tâche 5 : Détermination de stratégies optimales sur différents critères (économiques et environnementaux) et dans différents contextes de prix | exploration des compromis et interrelations entre les différents objectifs possibles
    (techniques, économiques, environnementaux)
  • Tâche 6 : Comparaison des performances des stratégies d’alimentation optimales définies avec l’optimisation en contexte incertain et l’optimisation faite sans prise en compte de l’incertitude des prix de marché.

Résultats attendus :

Ce travail original et pluridisciplinaire (mathématiques appliquées, zootechnie des systèmes d’élevage, économie, informatique) fournira un modèle capable d’optimiser les stratégies alimentaires pour l’atelier d’engraissement porcin. Il produira également des connaissances et une démarche méthodologique générique pour raisonner l’optimisation de la conduite des systèmes d’élevages. Une question à laquelle le projet devrait d’ailleurs répondre concerne la possibilité d’intégrer les résultats (sorties) des stratégies optimales d’engraissement (au niveau de l’atelier ou de l’exploitation agricole) vers une échelle territoriale voire nationale.

Références :

Cadero, A., Aubry, A., Brossard, L., Dourmad, J.-Y., Salaün, Y., Garcia-Launay, F. (2016). Modelling fattening pig production systems: use of a dynamic, stochastic, mechanistic model. In: Book of Abstract of the 67th Annual Meeting of the European Federation of Animal (p. 441). Wageningen, NLD : Wageningen Academic

InraPorc® 2006. Un outil pour évaluer des stratégies alimentaires chez le porc. Version 1.0.4.0. INRA-UMR SENAH, www.rennes.inra.fr/inraporc

Vautier, B., Quiniou, N., van Milgen, J., Brossard, L., 2013. Accounting for variability among individual pigs in deterministic growth models. Animal 7, 1265-1273.

Offre de thèse: Aide à la décision par fusion de signaux faibles et d’indicateurs appropriés pour la lutte intégrée en agriculture

Même si la thèse cible un étudiant « Master EEA » un AgroTIC motivé peut tenter sa chance…

Aide à la décision par fusion de signaux faibles et d’indicateurs appropriés pour la lutte intégrée en agriculture.

Type de financement :

Contrat Doctoral (ED 548) – Université de Toulon

Contacts :

  • Frédéric LAFONT (lafont@univ-tln.fr),
  • Nathalie PESSEL (pessel@univ-tln.fr),
  • Jean-François BALMAT (balmat@univ-tln.fr)

Sujet :

La prévention des maladies et attaques d’insectes nuisibles fait depuis toujours partie des préoccupations principales des agriculteurs. Depuis de nombreuses années, des travaux sur les stratégies de protection intégrée ont été réalisés par l’INRA (INRA-PIC Serre 2001/2004, ANR-ADD Ecoserre 2006/2009, INTERREG FIORBIO 2009/2012).
Le but est de proposer des approches systémiques pour optimiser la production (coût/croissance) tout en réduisant l’utilisation des pesticides.
L’objectif de la thèse sera de proposer un système d’aide à la décision qui permette à l’agriculteur de lutter efficacement contre les maladies et les parasites des cultures sous serres. De plus, le microclimat sera géré de façon à favoriser la protection des plantes tout en optimisant leur croissance.
Ce système innovant devra tenir compte:

  • des moyens classiques qui pourront être mis en oeuvre par l’agriculteur dans la lutte intégrée (auxiliaires biologiques et pratique des agriculteurs),
  • de l’environnement des cultures (climat, type de parasites et de maladies, sol),
  • de la connaissance des spécialistes des domaines (agriculteurs, agronomes,…),
  • des données (à définir) permettant d’obtenir les signaux faibles et indicateurs pertinents.

Dans un premier temps nous nous proposons d’étudier des approches hybrides combinant des classifieurs flous à des systèmes à base d’apprentissage de type réseaux de neurones. Pour interpréter la connaissance contenue dans les données, le système hybride sera couplé à un modèle probabiliste de type bayésien.
Un des verrous scientifique résidera dans la capacité de l’algorithme à prendre en compte les signaux faibles (signes avant-coureurs) à partir de la connaissance experte des agriculteurs. Enfin, sachant qu’un système à base de connaissances se complexifie en fonction du nombre d’informations à traiter, il sera nécessaire de proposer un algorithme capable de traiter un grand nombre de données d’entrée avec une architecture permettant de simplifier la conception du système d’aide à la décision. Pour répondre à ces différentes problématiques, nous proposerons une architecture modulaire et hiérarchique. Enfin, un indice de confiance fiable sera associé à l’information proposée à l’utilisateur final.

Les enjeux :

Amélioration de la production et diminution de l’utilisation des pesticides.

Les moyens :

Une serre instrumentée implantée à l’Université de Toulon.

Candidat – Profil recherché :

Le profil souhaité est celui d’un étudiant de Master dans le domaine de l’EEA. Des connaissances dans la conception de systèmes d’aide à la décision, les techniques floues et les réseaux de neurones seront appréciées.

Références :

M. Marquez-Vera, JC. Ramos-Fernandez, LF. Cerecero Natale, F. Lafont, JF. Balmat, Jorge Esparza-Villanueva, »Temperature control in a MISO greenhouse by inverting its fuzzy model » , Computers and Electronics in Agriculture, Vol. 124, pp. 168-174, 2016.
JC. Ramos-Fernandez, M. Marquez-Vera, LF. Cerecero Natale, F. Lafont, JF. Balmat, « Modelado difuso Takagi-Sugeno para sintonizar un controlador por calefaccion en un invernadero », Research in Computing Science, Vol. 92, pp. 69-80, 2015.
Philomine R, Gasenan N., Tauro J M., « A Study of Applications of Fuzzy Logic in Various Domains of Agricultural Sciences », International Journal of Computer Applications (0975 – 8887), 2015.
Lafont F., Balmat JF., Pessel N., Fliess M., « A model-free control strategy for an experimental greenhouse with an application to fault accomodation », Computers and Electronics in Agriculture, Vol. 110, pp. 139-149 (2015), 2014.
Balmat JF., Lafont F., Maifret R., Pessel N., « A decision-making system to maritime risk assessment », Ocean Engineering, Vol. 38 (1), pp. 171-176, 2011.
Balmat JF., Lafont F., Pessel N., « Neural networks for system design to maritime risk assessment », IEEE, 4th International Conference on Intelligent Information Technology Application, 2010.
Ramos-Fernandez JC., Lopez-Morales V., Lafont F., Enea G., Duplaix J., « A Neurofuzzy Structure Modelling Evapotranspiration in a Greenhouse Crop » , Ingeniería Investigación y Tecnología., Vol. XI. Num.2. 2010, pp. 127-139, 2010.
Balmat JF., Lafont F., Maifret R., Pessel N., « Maritime RISk Assessment (MARISA), a fuzzy approach to define an individual ship risk factor », Ocean Engineering, Vol. 36(15-16),1278-1286, 2009.
Rossi V., Caffi T., Salinari F., « Helping farmers face the increasing complexity of decision-making for crop protection », Phytopathologia Mediterranea, 2012.
Lafont F., Balmat JF., « Optimized Fuzzy Control of a Greenhouse » , Fuzzy Sets and Systems, Vol. 128, pp. 47-59, 2002.
Roussel O., Cavelier A., MG Van der Werf H., « Adaptation and use of a fuzzy expert system to assess the environmental effect of pesticides applied to field crops. » Agriculture, ecosystems & environment 80.1 (2000): 143-158, 2000.

Un service de télédétection viticole « chirurgical »

Après Vitidrone, Carbon Bee et Avidor Drone, un nouveau service de télédétection viticole par drone, nommé « Chouette » est annoncé.

L’article du site « Challenge » indique :

« Chouette a développé un logiciel et un drone muni d’une caméra multispectrale qui analysent « de manière chirurgicale » l’état des vignes. Objectifs: épauler au quotidien les viticulteurs et les aider à répandre moins de pesticides grâce à une meilleure connaissance des vignes.  »

L’article complet (avec une vidéo) est disponible à l’adresse suivante.

https://www.challenges.fr/start-up/start-up-chouette-aide-les-viticulteurs-a-soigner-leurs-vignes_464992?xtor=RSS-64

Chouette propose de détecter les symptômes grâce à une caméra multispectrale montée sur un drone autonome et ensuite de guider le viticulteur vers les zones à problème.

Il est important de noter que si certains des services de télédétection évoqués ci-dessus prétendent « détecter les maladies de la vigne », d’autres sont plus prudents et revendiquent plus raisonnablement la détection des symptômes et indiquent travailler encore à la discrimination automatique des maladies.

D’un point de vue scientifique, force est de constater que la discrimination des maladies est un problème très difficile, qui fait encore l’objet de plusieurs thèses de doctorat en cours. Confier la validation de la détection au viticulteur est donc certainement plus prudent.

La startup « Chouette » cherche des fonds: à suivre….

 

 

Un petit tuto sur le guidage laser d’un robot maraicher

Naïo Technologies propose une courte vidéo expliquant le principe du guidage laser de son robot « Oz ».

Une animation montre le principe LiDAR utilisé avec l’interception des rayons laser par les plantes sur les rangs de chaque coté du robot.

 

Numéro spécial « Rural Innovation and Digital Revolution in Agriculture »

Le n°38 de la Watch Letter du CIHEAM(1) vient de sortir.

Il est consacré à la révolution numérique et à ses conséquences sur le monde rural, dans les pays du pourtour méditerranéen.

Au programme, des articles en français ou en anglais issus sur des sujets touchant l’élevage de précision, le Big Data, la formation, l’agriculture intensive (ou pas)….

Il est téléchargeable à l’adresse suivante:

http://www.ciheam.org/en/publications/watch_letter/details?pub=WL_38&id=30

Ce numéro spécial a fait l’objet d’une présentation lors du Salon de l’Agriculture à Paris, sur le stand de l’INRA. La vidéo se trouve ici:

http://mediatheque.inra.fr/media/detail/390335/private

(1) CIHEAM: Centre International de Hautes Etudes Agronomiques Mediterranéennes