La plante vue comme un organisme complexe est au cœur de l’agronomie actuelle et il y a un fort besoin de nouvelles approches pour caractériser fonctions biologiques et processus développementaux depuis les échelles tissulaires jusqu’à celle de la plante entière. La disponibilité de nouveaux capteurs et l’émergence des plateformes robotisées de phénotypage de plantes (en chambre de culture, en serre ou au champ) renouvelle en profondeur la nature des données de phénotypage. En parallèle, les méthodes d’analyse de données sont en pleine mutation du fait de l’arrivée de données massives de grande dimension, de l’augmentation des puissances de calcul et de l’émergence de nouveaux paradigmes mathématiques à l’interface entre modélisation probabiliste, théorie de l’information, apprentissage et reconnaissance des formes. L’objectif est alors typiquement l’analyse de données structurées (spatio-temporelles, multi-échelles ou fonctionnelles) en utilisant des modèles probabilistes (modèles à structure latente et modèles graphiques probabilistes) et des paradigmes d’inférence avancées (sélection de modèles). J’illustrerai à travers quelques exemples contrastés (données tissulaires et macroscopiques, systèmes aériens et souterrains) la démarche d’identification des patterns de développements que nous développons et appliquons dans des contextes variés (amélioration des plantes, biologie du développement, écophysiologie, écologie forestière ...). Ce travail est le résultat de multiples partenariats avec des statisticiens (principalement de l’IMAG à Montpellier et du laboratoire Jean Kuntzmann à Grenoble) et des biologistes et agronomes (principalement des UMRs AGAP, AMAP, DIADE, HortSys et LEPSE).

Contact :

Yann GUEDON

Mots clés : architecture des plantes ; données spatio-temporelles ; inférence statistique ; modélisation probabiliste ; pattern de développement ; reconnaissances des formes.