La science et l'IA pour sécuriser l'avenir des filières et de l'agriculture

Garantir des décisions éclairées par des résultats fiables, validés scientifiquement et développés avec les meilleurs instituts de recherche de France et d'Europe.

Notre approche

Pour garantir la robustesse de nos résultats, nous appliquons un processus rigoureux de validation et travaillons activement à rendre nos modèles d’intelligence artificielle explicables. Ce travail exigeant est indispensable pour assurer la confiance nécessaire à une prise de décision éclairée.

Validation des résultats

La confiance ne se décrète pas, elle se démontre. Chaque résultat fait l'objet d'une validation scientifique rigoureuse et transparente.

Nos garanties : les standards d’une publication scientifique

Révision méthodologique par des pairs indépendants
Validation statistique, agronomique et climatique complète et systématique
Vérification de la cohérence des résultats avec les dernières recherches publiées

Pour nos clients : transparence totale sur nos résultats

Rapports d'audit complets pour chaque culture modélisée (environ 80 pages par culture)
Forces et limites documentées pour déterminer le niveau de confiance dans chaque résultat
Méthodologie documentée et mise à disposition

Ouvrir la "boîte noire"

Les modèles d’intelligence artificielle, aussi puissants soient-ils, restent souvent opaques et difficiles à interpréter. Sans transparence ni explicabilité, il devient compliqué de transformer les informations qu’ils fournissent en décisions éclairées. Nous employons plusieurs méthodes statistiques pour ouvrir la "boîte noire" et mieux comprendre les résultats générés par nos modèles.

Méthodes appliquées :

Shapley : cette méthode permet de mesurer la contribution de chaque variable à la prédiction d’un modèle, en isolant l’effet de chaque facteur.
Accumulated Local Effects (ALE) : ALE montre comment les variations d’une variable influencent les prédictions du modèle, en prenant en compte les interactions avec les autres variables.
Analyse des valeurs extrêmes (AVE) : AVE teste l’effet des modèles pour des valeurs extrêmes des prédicteurs afin d'en comprendre son comportement dans des conditions rares ou critiques.

Nos outils

Des modèles de rendement aux conséquences économiques et financières, finres a développé de nombreux outils scientifiques pour répondre aux questions et besoins du monde agricole.

Modélisation des rendements : PhenoDL

Forts d’une expérience internationale et d’expertises reconnues en sciences du climat, agronomie et mathématiques, nous avons développé plusieurs générations de modèles de rendement agricole. Ces modèles reposent sur une approche hybride combinant modélisation mécaniste et méthodes statistiques avancées, incluant le machine learning et le deep learning. Notre modèle le plus récent, PhenoDL, établit un nouveau standard en surpassant les références de la littérature scientifique sur les principaux indicateurs de performance (R², RMSE).

PhenoDL :

Dernier-né de notre gamme
Modèle de deep learning repose sur un réseau de neurones artificiels à couches séquentielles
Hybridation des connaissances agronomiques et mathématiques, grâce à une approche de diagnostic systématique
Modèle le plus précis

Périmètre :

40 cultures
Disponible pour la France, avec une extension possible à l’échelle européenne
Données climatiques SIM2 de Météo-France (observations) et Explore2 (projections)

Coût et bénéfice de l'adaptation

Les mesures d’adaptation sont directement modélisées via l’ajustement de paramètres pédoclimatiques, calibrés à partir d’une méta-analyse approfondie de la littérature scientifique. L’effet de chaque mesure est validé en le comparant aux résultats attendus de cette méta-analyse ainsi qu’aux règles agronomiques. finres dispose de la plus grande base de données appariées sur l’adaptation, permettant d’entraîner et de valider ses modèles de rendement avec ou sans mesures d’adaptation.

Base de données d'effets d'adaptation :

10 000+ publications répertoriées et triées
17 000 paires de données (une paire = avec et sans adaptation)
10+ technologies et pratiques d'adaptation analysées
30+ facteurs pédagogiques et micro-climatiques mesurés

Adéquation climatique des cultures

Contrairement aux modèles conventionnels, nous intégrons la balance hydrique pour cartographier le déplacement des zones de croissance optimales de 36 cultures avec le changement climatique, et évaluer l'efficacité de leviers d'adaptation.

Périmètre :

36 cultures
Résultats disponibles pour l'ensemble de la planète
Résolution spatiale : de 1 à 30km
Scénarios de réchauffement : tous les SSP-RCPs et SSP2-4.5 et SSP5-8.5 déjà disponibles

Validation :

Méthodologie développée avec le soutien de l'Agence Francaise de Développement, de Fonds International de Développement de l'Agriculture et de la FAO
Travaux révisés et publiés dans Environmental Research Letter (ici)
Données utilisées par la FAO dans sa plateforme ABC Map

Data visualisation of one of the suitability studies.

Modélisation de l'autonomie fourragère

L'autonomie fourragère est le pilier économique de l'élevage herbager : tant qu'une exploitation couvre les besoins de son troupeau par sa propre production, elle maîtrise ses coûts. Le changement climatique altère la productivité des prairies et des cultures fourragères et fragilise cet équilibre. Notre modèle simule, à l'échelle de l'exploitation, le bilan fourrager année par année, en confrontant la production fourragère projetée par PhenoDL aux besoins du troupeau, et en intégrant explicitement le stock comme premier amortisseur des mauvaises années.

Périmètre :

Échelle de l'exploitation individuelle, sur la base du parcellaire
Rendements fourragers projetés par le modèle PhenoDL, à une résolution de 8 km
Horizons passé récent et 2050 (TRACC +2°C), avec plusieurs centaines de scénarios climatiques simulés par exploitation
Besoins du troupeau calculés à partir des références publiées par l'INRAE (Alimentation des ruminants, 2018) et l'IDELE

Modélisation du stress thermique laitier

Le rendement d'une vache laitière baisse sous l'effet de la chaleur. Notre modèle quantifie cette réponse département par département. Il s'appuie sur l'indice de température-humidité ajusté (THI ajusté), qui combine température, humidité, rayonnement et vitesse du vent afin de refléter la charge thermique réellement subie par les bovins, bien au-delà de la seule température de l'air. La relation non linéaire entre exposition à la chaleur et perte de production est modélisée pour rendre compte du poids déterminant des épisodes extrêmes.

Périmètre :

Résultats à l'échelle de l'exploitation individuelle
Données laitières observées (rendement journalier, races, vêlages) et climat observé SIM2 de Météo-France, à une résolution de 8 km
Projections climatiques Explore2 appliquées à deux niveaux de réchauffement global (climat actuel et +2 °C)
22 races laitières prises en compte

Modélisation des charges de production

Pour évaluer la rentabilité d'une exploitation, les charges comptent autant que le chiffre d'affaires, mais la comptabilité d'exploitation les présente en masse, sans les ventiler par production. Nous avons développé une méthode pour les reconstituer automatiquement, atelier par atelier. L'approche repose sur une régression par moindres carrés ordinaires appliquée à la base du RICA (Réseau d'information comptable agricole), prolongée par une conversion des coefficients en valeurs concrètes directement exploitables par l'agriculteur.

Périmètre :

Méthode issue de la littérature scientifique (Aufrant 1983, Butault et al. 1988, Desbois 2002)
Charges estimées par type de production et exprimées en euros par hectare, par tête ou par litre
Données de référence issues de la base du RICA
Méthodologie entièrement documentée et accessible en ligne