En agriculture, il est important de comprendre comment certaines espèces, végétales, animales, virales ou bactériennes, évoluent dans le temps et dans l’espace. Les questions qui en découlent sont nombreuses. Par exemple, ces espèces seront-elles adaptées aux conditions climatiques ou aux pratiques agricoles futures ? Comment contrôler l’arrivée, l’adaptation et l’impact des organismes ravageurs de cultures qui migrent d’un continent à un autre ? Pour cela, il faut être capable de récolter des données pertinentes sur ce sujet et arriver à modéliser mathématiquement ces évolutions de population de végétaux et d’animaux pour pouvoir faire des prévisions utiles à l’agriculture. Le projet AgroStat (pour « Statistiques pour l’évolution et la dynamique des populations et espèces d’intérêt agronomique ») étudie ces dynamiques grâce aux expertises complémentaires de plus de cinquante scientifiques appartenant à différents domaines : biologie, génétique, agronomie, mathématiques et statistiques.
Défis biologiques, outils mathématiques
Un des points clés du projet est de permettre d’anticiper les risques liés aux bioagresseurs, c’est-à-dire les organismes vivants qui causent des dommages aux plantes cultivées ou aux récoltes. Ce sont des insectes ravageurs des cultures, des virus, des bactéries, des champignons… Cela nécessite de mieux connaitre et modéliser de nombreux facteurs qui influent sur les risques. Tout d’abord, il faut mettre en place des techniques permettant de recueillir des données fiables et pertinentes sur les cultures et les bioagresseurs en de nombreux endroits. Ensuite, il faut comprendre quels sont les trajets empruntés par les nouvelles espèces nuisibles invasives. Il faut aussi suivre les mutations génétiques des plantes qui leur permettent une meilleure adaptation aux nouvelles conditions climatiques ou agricoles. On peut aussi, grâce à des modèles mathématiques, décrire et expliquer la propagation des maladies virales dans un environnement donné.
La combinaison de toutes ces connaissances doit servir à prédire les performances agricoles à venir. Cela nécessite des outils mathématiques capables de traiter de nombreuses données hétérogènes, en prenant en compte l’incertitude sur les mesures et les modèles et la complexité des interactions entre espèces et avec l’environnement.
