Résumé

La diversification des systèmes agricoles est cruciale pour la transition agroécologique et l’adaptation aux changements climatiques, nécessitant une meilleure utilisation des ressources génétiques adaptées aux spécificités des cultures. Les variétés hybrides possèdent un fort potentiel d’adaptation, mais plusieurs obstacles limitent leur analyse. Les données disponibles sont hétérogènes et souvent incomplètes, ce qui empêche une utilisation conjointe efficace. De plus, seule une faible proportion de combinaisons hybrides possibles a été caractérisée, et les populations de lignées sont déséquilibrées en termes de données disponibles.

Cette thèse vise à développer des méthodes d’apprentissage statistique pour prédire les performances des hybrides de maïs, en se concentrant sur la stabilité et la variabilité des performances, ainsi que sur la prédiction directe des performances dans différents environnements. Ces méthodes utiliseront des modèles statistiques avancés reconnus pour leur capacité prédictive et leur interprétabilité, et intégreront des réseaux de neurones pour améliorer l’analyse à grande échelle et permettre le transfert d’apprentissage entre hybrides.

Ce travail devrait contribuer de manière significative à l’amélioration des rendements du maïs en Europe, particulièrement affectés par les variations climatiques

Contact :

• François Victor