Infodoc : Sciences, Techniques et Culture

L’expérimentation en réseau d’agriculteurs permet de conduire des essais agronomiques dans des conditions réelles de production. L’intérêt est grandissant car cela représente une opportunité pour mettre en place des essais testant de nouveaux produits et de nouvelles pratiques agricoles dans les champs des agriculteurs. Généralement, les résultats sont présentés sous la forme de rapports individuels (i.e., un rapport résumant les résultats d’un essai en parcelle agricole), mais les informations fournies sont limitées, difficile à généraliser, et cela ne permet pas de synthétiser les résultats recueillis dans les différents essais. De plus, la variabilité de la réponse de rendement est inexplorée alors qu’elle constitue un potentiel pour améliorer la prise de décision par les agricult[...]

L’expérimentation en réseau d’agriculteurs permet de conduire des essais agronomiques dans des conditions réelles de production. L’intérêt est grandissant car cela représente une opportunité pour mettre en place des essais testant de nouveaux produits et de nouvelles pratiques agricoles dans les champs des agriculteurs. Généralement, les résultats sont présentés sous la forme de rapports individuels (i.e., un rapport résumant les résultats d’un essai en parcelle agricole), mais les informations fournies sont limitées, difficile à généraliser, et cela ne permet pas de synthétiser les résultats recueillis dans les différents essais. De plus, la variabilité de la réponse de rendement est inexplorée alors qu’elle constitue un potentiel pour améliorer la prise de décision par les agriculteurs. L’objectif général de cette thèse est de démontrer l’importance d’identifier des méthodes statistiques appropriées pour analyser et visualiser les données issues d’expérimentation en réseaux d’agriculteurs. Plus précisément, je me suis consacrée à l’analyse des réseaux gérés par Iowa Soybean Association, et d’un cas d’étude français. Un cadre d’analyse des données a été développé pour analyser simultanément plusieurs essais agricoles ayant un protocole expérimental commun et identifier les conditions dans lesquelles un traitement peut ou non être efficace. Ce cadre d’analyse utilise un modèle statistique à effets aléatoires par une approche bayésienne et fournit des estimations de réponse de rendement à l’échelle du réseau et des essais. Ce cadre d’analyse a été mis en application pour 51 pratiques agricoles sur le maïs et le soja au sein d’une application web. Celle-ci comprend des fonctions de visualisation dynamique et interactive des données afin d’améliorer le partage d’informations, et est accessible à un large public pour faciliter l’accès aux résultats issus des réseaux d’expérimentations. Un modèle statistique à effets aléatoires a été utilisé pour calculer des intervalles de prédiction décrivant la gamme des réponses de rendement plausibles pour un nouvel essai (en dehors de l’échantillon testé), et calculer la probabilité que la pratique agricole testée soit inefficace dans une nouvelle parcelle agricole. Selon le niveau de variabilité inter-essais, les intervalles de prédiction étaient 2,2 à 12,1 fois plus larges que les intervalles de confiance des réponses de rendement moyen (c'est-à-dire à l’échelle du réseau) pour toutes les pratiques agricoles testées. L'utilisation des intervalles de prévision et de la probabilité qu’un traitement soit inefficace empêcheront les agriculteurs d’avoir des attentes trop optimistes concernant le gain de rendement dans le cas où celui-ci est significatif à l’échelle du réseau. Le cadre d'analyse des données a été adapté à un réseau d’expérimentation français axé sur l'efficacité des produits de biocontrôle contre le Botrytis cinerea, le bicarbonate de potassium et Aureobasidium pullulans, sur la vigne en production biologique. Les résultats sont en faveur du bicarbonate de potassium car son efficacité sur l’incidence à l’échelle du réseau est plus élevée qu’Aureobasidium pullulans, pour une intensité de la maladie variant de 0 à 10%. Pour ces deux produits de biocontrôle, l'efficacité sur l'incidence pour un nouvel essai est très incertaine pour les niveaux d'intensité de maladie supérieurs à 15 %. Enfin, ce travail de thèse a permis d'étudier l'impact de l'échelle de la parcelle expérimentale (c'est-à-dire à essais en station expérimentale et expérimentation au champ) sur l'effet des pratiques agricoles sur le rendement et d'identifier la cause des écarts potentiels afin de mieux informer la prise de décision au niveau de l'exploitation et d'adapter l'extrapolation des résultats. Ce travail de thèse représente le premier effort majeur de consolidation des résultats d’expérimentation en réseaux d’agriculteurs et fournit des connaissances pour aider à la décision en termes de pratique agricole.
An on-farm research network is an organization of farmers that conducts agronomic experiments under local conditions. There is growing interest in on-farm research networks because they provide the infrastructure needed to test new products and management practices in farmers’ fields. Often, the results are usually presented as individual reports (i.e., a report summarizing the outcome for one trial), but this provides limited information difficult to generalize and does not allow presenting, in a synthetic way, all the results collected from the different trials. Moreover, there is an unexplored potential in detecting yield response variability patterns for better decision making. The overall objective of this thesis is to demonstrate the importance of identifying appropriate statistical methods for analyzing and visualizing on-farm research network data. Specifically, I focused on analyzing the on-farm research networks managed by the Iowa Soybean Association, and an adaptation was made with a French case-study. A data-analytics framework was developed to analyze multiple trials that use a common protocol and identify the conditions where an imposed treatment may or may not be effective. This framework used a random-effect model through a Bayesian approach and returned yield response estimates at the network and trial levels. The framework was implemented through a web-application for 51 different management practices on corn and soybean. The web-application includes dynamic data visualization features to enhance communication and information sharing, and is accessible to a broad audience to improve accessibility to on-farm research insights. A random-effects statistical model was used to compute prediction intervals describing a range of plausible yield response for a new (out-of-sample) trial, and compute the probability that the tested management practice will be ineffective in a new field. Depending on the level of between-trial variability, the prediction intervals were 2.2–12.1 times larger than confidence intervals for the estimated mean yield responses (i.e., at the network level) for all tested management practices. Using prediction intervals and the probability of ineffective treatment will prevent farmers from over-optimistic expectations that a significant effect at the network level will lead with high certainty to a yield gain on their farms. The data-analytic framework was adapted to a French on-farm research network focusing on the efficacy of biocontrol agent products against Botrytis cinerea, potassium bicarbonate and Aureobasidium pullulans, on organic vine. The results favored potassium bicarbonate as its efficacy on incidence at the network level is higher for diseased intensities between 0% and 10% than for Aureobasidium pullulans. For both biocontrol agents, the efficacy on incidence for a new trial is highly uncertain for intensity levels higher than 15%. Finally, this research investigated the impact of experimental plot scale (i.e., small-plot scale and field scale) on the effect of management practice on crop yield and identified the cause of potential discrepancies to inform on-farm decision-making better and adapt the extrapolation of the results. Taken together, this research represents the first major effort in consolidating results from on-farm research network and provides insight to make better farming management decisions.