Pour quantifier les conséquences possibles du changement climatique sur les rendements agricoles, il faut disposer de modèles capables de faire le lien entre données climatiques, données pédologiques et besoins de la plante au cours de son cycle. C’est l’objet de PhenoDL, le modèle de projection de rendements développé par finres : un réseau de neurones entraîné le long du cycle phénologique des cultures, validé par les pairs, et aujourd’hui utilisé pour plus de 40 productions à l’échelle de la France entière.

Pourquoi développer un nouveau modèle ?

Des modèles agronomiques mécanistes de référence tels que STICS, APSIM, DSSAT, existent, mais sont pensés pour d’autres échelles d’analyse, pèchent sur les extrêmes et ne permettent pas d’intégrer l’adaptation.

Ces modèles ont été conçus pour des comparaisons spécifiques (par exemple le nombre d’unités d’azote, le niveau d’irrigation) pour certaines cultures, détaillées au niveau parcellaire. Ils produisent des résultats de grande valeur dans ce cadre.

Ceci dit, le défi auquel finres est confronté est différent : projeter systématiquement les rendements de plusieurs dizaines de cultures, sur l’ensemble du territoire, dans des scénarios climatiques variés. À cette échelle, deux contraintes apparaissent.

D’une part, le paramétrage fin qu’exigent ces modèles rend leur déploiement coûteux lorsqu’il s’agit de couvrir un grand nombre de cultures et de contextes pédoclimatiques d’autant plus que seul un nombre réduit de cultures est disponibles dans ces modèles.

D’autre part, certains aléas, comme l’excès d’eau, restent mal pris en compte par les modèles mécanistes. A titre d’exemple, un article publié récemment par Nóia Júnior, et al. (2023) [1] montre l’incapacité du modèle DSSAT à représenter les pertes de rendements de blé observées en 2016 en France (voir figure ci-dessous). D’autres publications telles que Heinicke et al. (2022) [2] et Auer et al. (2026) [3] ont montré que les modèles agronomiques actuels sous-estiment de 83 à 95% les pertes liées aux extrêmes humides (ceux similaires à 2016 et 2024) des meilleurs modèles aux pires modèles.

Eu égard à notre objectif d’information du secteur agricole face aux conséquences du climat sur les rendements, de tels modèles, dans leur configuration actuelles, ne pouvaient pas être utilisés.

Figure issue des informations supplémentaires du papier de Nóia Júnior, et al. (2023).

C’est pour répondre à ce double besoin (e.g projections des rendements à l'échelle locale pour plusieurs dizaines de cultures, et capacité à représenter au mieux les conséquences des extrêmes climatiques sur les rendements) que finres a développé PhenoDL.

Genèse de nos travaux : du PNACC (Plan National d’Adaptation au Changement Climatique) au modèle PhenoDL

L’approche de finres en matière de modélisation des rendements agricoles trouve son origine en 2022 dans le cadre d’une collaboration avec le ministère de la transition écologique en vue d’informer la réalisation du Plan National d’Adaptation au Changement Climatique (PNACC).

L’objectif était de modéliser l’évolution des rendements agricoles des 8 cultures principales cultivées en France, puis de chiffrer le coût de l’inaction, c’est-à-dire combien coûterait de ne rien changer face au changement climatique, et combien coûterait de s’adapter.

Ce travail fondateur, appuyé par un comité scientifique de renom (ARVALIS, Terres-Inovia, INRAE, etc.) nous a permis de poser les bases méthodologiques. Depuis, les modèles ont été significativement améliorés sur deux axes : la robustesse des prédictions d’une part, et la couverture des productions d’autre part. PhenoDL couvre aujourd’hui plus de 40 cultures avec un système de validation des résultats plus performant et précis.

Le nom du modèle résume l’approche : Pheno pour phénologie, dans la mesure où modèle apprend le long du cycle de croissance de chaque culture ; DL pour deep learning, parce qu’il repose sur une architecture de réseau profond de neurones.

Comment fonctionne PhenoDL ?

Apprendre le rendement le long du cycle phénologique

La plupart des approches statistiques traitent le climat en moyenne annuelle ou mensuelle dans un ordre indifférencié le long du cycle de la culture. PhenoDL, en revanche, suit le calendrier phénologique de chaque culture et apprend l’effet du climat combiné à la pédologie phase par phase.

Pour chaque phase du cycle, le modèle reçoit un jeu de variables climatiques : température minimale et maximale, cumul de précipitations, rayonnement solaire, humidité relative et vitesse du vent. Ces données sont complétées par des variables agronomiques : la structure pédologique et l’eau disponible dans le sol à la profondeur de la racine au moment de ladite phase phénologique. Pour prendre en compte les gains liés à l’irrigation, celle-ci est également intégrée dans le modèle.

PhenoDL ne prédit pas le rendement brut en kg/ha, il est construit pour prédire l’anomalie de rendement, c’est-à-dire la variation autour de la tendance technologique. Ce choix méthodologique est central : il permet d’isoler le signal climatique de l’évolution technologique (amélioration variétale, progrès des pratiques culturales). Sans cette séparation, le modèle confondrait progrès technique et effet du climat, et les projections sous climat futur en seraient faussées.

Le tout à une résolution d’environ 8 × 8 km, couvrant la France entière, avec un modèle entraîné pour chaque culture.

Une architecture neuronale conçue pour l’agronomie

L’architecture de PhenoDL est un réseau de neurones à entrées multiples (multi-input neural network). Chaque phase phénologique alimente une branche distincte du réseau. Cette structure permet au modèle d’apprendre des pondérations différentes selon la phase du cycle : un coup de chaud à la floraison n’a pas le même impact sur le rendement qu’un coup de chaud à la maturation, et le modèle le capture explicitement grâce à cette séparation structurelle. Ainsi, cette structure permet de lire le climat de la saison culturale comme une histoire continue sous la forme d’une séquence imposée au modèle.

Les branches convergent ensuite vers des couches communes qui intègrent les signaux de chaque phase et produisent la prédiction finale : l’anomalie de rendement pour un pixel, une culture et une année donnés.

Ce n’est pas un réseau de neurones générique appliqué à des données agricoles. C’est une architecture conçue pour refléter une réalité agronomique fondamentale : la sensibilité d’une culture au climat varie au cours de son cycle de croissance. En l’encodant directement dans la structure même du modèle, plutôt qu’en le laissant « apprendre » cette relation à partir de données agrégées ou non-ordonnées, il est possible d’obtenir des prédictions plus interprétables et plus robustes en prédiction et en extrapolation.

Comme tout modèle, PhenoDL peut générer des résultats qui tendent vers la médiane des observations fournies. Pour éviter ce biais, les sorties des modèles sont corrigées pour les biais en utilisant une méthode de quantile mapping similaire à celle utilisée pour la correction des sorties de modèle climatique. Les résultats générés par la correction des biais sont vérifiés par la même méthode de validation que celles non corrigées.

Projeter sous des climats futurs

Le modèle, entraîné sur le climat observé (données SIM2 de Météo-France), est ensuite appliqué à des projections climatiques issues de chaînes de modèles GCM-RCM (Global Climate Model - Regional Climate Model de la base de données Explore2). Plusieurs chaînes sont utilisées simultanément afin de couvrir l’incertitude inhérente aux scénarios climatiques dans la mesure où un seul modèle climatique ne suffit pas à représenter l’éventail des futurs possibles.

Deux niveaux de réchauffement sont comparés : le climat actuel et un réchauffement de +2°C, conformément à la Trajectoire de Référence pour l’Adaptation au Changement Climatique (TRACC). Les fenêtres de 1,5°C et de 3°C ne sont pas modélisées car d’une part trop proche des observations actuelles (1,5°C) et peu pertinentes d’un point de vue d’horizon temporel de décisions dans le secteur agricoles (3°C correspond à la fin du siècle, soit deux carrières d’agriculteurs).

Nous obtenons ainsi, pour chaque culture, chaque pixel, chaque année et chaque modèle climatique, un ensemble de trajectoires plausibles de rendement sous climat futur, qui reflètent l’incertitude climatique.

Ne garder que les modèles défendables : un audit en cascade

Entraîner un modèle de deep learning sur des données agronomiques et climatiques n’est pas le défi principal. Le vrai défi, c’est de s’assurer qu’il ne se contente pas de « coller » aux données historiques, mais qu’il se comporte de manière cohérente dans des configurations climatiques inédites.

Pour chaque culture, de nombreux modèles candidats sont entraînés (variantes d’architecture et d’hyperparamètres). Ils passent ensuite par un audit en cascade où chaque étape est éliminatoire :

Filtre statistique : qualité d’ajustement sur la variation de rendement, comparée à une référence. Tests de stabilité pour éliminer les modèles aux comportements erratiques.

Filtre spatial : cohérence géographique des prédictions, mesurée notamment par l’autocorrélation de Moran. Un modèle fiable produit des patterns spatiaux plausibles, pas du bruit aléatoire.

Filtre expert : revue humaine par des agronomes par laquelle chaque modèle candidat est examiné et la décision est binaire : garder ou rejeter.

Filtre comportemental : sélection finale sur la capacité du modèle à réagir dans en adéquation avec la littérature scientifique en réponse à la mise en oeuvre de leviers d’adaptation.

Seul le modèle qui franchit l’ensemble de ces filtres est déployé en production. Pour le détail des 18 tests composant cette validation, voir notre article dédié : Modèles de rendements agricoles : comment validons-nous les résultats que nous mettons entre vos mains ? Nota bene : depuis la rédaction de cet article, de nouveaux tests ont été ajoutés notamment concernant l’adaptation.

Simuler des pratiques d’adaptation pour éprouver le modèle

La validation de PhenoDL ne s’arrête pas à la qualité statistique, même à l’issue d’une validation particulièrement poussée. Pour être utilisable pour une décision d’adaptation, le modèle doit aussi réagir de manière cohérente aux leviers d’adaptation.

Chaque levier est traduit en modification de la variable climatique qu’il affecte : l’irrigation augmente la pluie efficace, l’ombrage et l’agrivoltaïque réduisent le rayonnement et la température maximale tout en augmentant la température minimale, le brise-vent atténue le vent, le drainage agit sur l’excès d’eau, le paillage sur l’évaporation.

L’effet de chaque levier est mesuré comme la différence de rendement prédit avec et sans adaptation, par culture, pixel et par année, puis confronté à la littérature scientifique disponible (voir article sur la méta-analyse). Si le sens ou l’ordre de grandeur de cet effet ne correspond pas aux résultats expérimentaux publiés, le modèle est rejeté.

Ce qui distingue PhenoDL des autres approches de modélisation de rendements

Une double validation des résultats : les performances de PhenoDL sont confrontées aux références publiées dans la littérature scientifique. Les comportements face aux leviers d’adaptation sont eux-mêmes vérifiés contre les résultats expérimentaux disponibles (détail dans l’article Comment finres quantifie l’impact réel des technologies d’adaptation climatique sur les rendements agricoles). Un modèle n’est retenu que s’il ne résiste à la validation statistique et la validation sur l’adaptation.

Une transparence complète et inédite : à présent pour chaque culture quatre rapports de validation sont réalisées : un premier rapport sur les données entrant le modèle, un deuxième sur la validation statistique, un troisième comparant les différentes architectures quant à la performance sur l’adaptation et enfin un dernier rapport sur l’ensemble des mesures d’adaptation pour l’architecture sélectionnée. Au total, ce sont plus de 400 pages de validation par culture qui sont générées, documentent l’intégralité des tests réalisés, leurs résultats et les limites identifiées. Ils sont systématiquement mis à disposition de nos clients et partenaires.

Une lecture par le risque : PhenoDL ne se limite pas au rendement moyen attendu. Le modèle restitue toute la distribution des rendements possibles, y compris ses quantiles bas, qui correspondent aux combinaisons climatiques les plus défavorables. C’est en effet sur ces années extrêmes, et non sur une année typique, que se décident les vraies stratégies de résilience et d’adaptation.

La fondation de l’ensemble de nos solutions

Ces projections de rendement, localisées et multi-scénarios, constituent le socle sur lequel repose l’ensemble des solutions développées par finres.

Le diagnostic DPEC à l’exploitation transforme ces projections en scénarios de chiffre d’affaires et en stress tests économiques et financiers pour chaque exploitation individuelle. Pour comprendre cette mécanique, voir notre article : Comment finres projette l’évolution du chiffre d’affaires d’une exploitation agricole avec le changement climatique.

Au-delà de l’exploitation, le diagnostic territorial agrège ces mêmes projections à l’échelle d’une filière, d’un département ou d’une région pour guider les stratégies collectives d’adaptation.

Notre objectif : accélérer la résilience du secteur agricole en rendant ces données accessibles, compréhensibles et actionnables pour l’ensemble des agriculteurs, banques, organisations professionnelles agricoles et pouvoirs publics sur la base d’une approche scientifique rigoureuse, validée et transparente.

Vous êtes agriculteur, coopérative, banque, assureur ou organisation professionnelle agricole et souhaitez explorer les résultats de PhenoDL pour votre territoire ou accéder à nos rapports de validation ? Contactez notre équipe .

[1] Nóia Júnior, R. d. S., Deswarte, J.-C., Cohan, J.-P., Martre, P., van der Velde, M., Lecerf, R., Webber, H., Ewert, F., Ruane, A. C., Slafer, G. A., & Asseng, S. (2023). The extreme 2016 wheat yield failure in France. Global Change Biology, 29, 3130–3146. https://doi.org/10.1111/gcb.16662

[2] Heinicke, S., Frieler, K., Jägermeyr, J., & Mengel, M. (2022). Global gridded crop models underestimate yield responses to droughts and heatwaves. Environmental Research Letters, 17, 044026. https://doi.org/10.1088/1748-9326/ac592e

[3] Auer, C., De Maeyer, K., Müller, C., Höhle, M., et al. (2026). Global gridded crop models underestimate yield losses from climatic extremes [Préprint, non révisé par les pairs]. Research Square. https://doi.org/10.21203/rs.3.rs-7181139/v1