Agri-environmental indicators to assess cropping and farming systems / C. Bockstaller ; Laurence Guichard ; David Makowski in Agronomy for Sustainable Development, Vol.28, n°1 ([01/01/2008])

Public ISBD [article]  inAgronomy for Sustainable Development > Vol.28, n°1 [01/01/2008] . - p.139-149 Titre : Agri-environmental indicators to assess cropping and farming systems Type de document : Article Auteurs : C. Bockstaller ; Laurence Guichard ; David Makowski Année de publication : 2008 Article en page(s) : p.139-149 Langues : Anglais (eng) Catégories : [Thesagri] agriculture durable [Thesagri] grande culture [Thesagri] pesticide [Thesagri] protection de l'environnement [article] Agri-environmental indicators to assess cropping and farming systems [Article] / C. Bockstaller ; Laurence Guichard ; David Makowski . - 2008 . - p.139-149. Langues : Anglais (eng) in Agronomy for Sustainable Development > Vol.28, n°1 [01/01/2008] . - p.139-149 Catégories : [Thesagri] agriculture durable [Thesagri] grande culture [Thesagri] pesticide [Thesagri] protection de l'environnement

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
REV-00013975	Vol.28, n°1 - 01/01/2008	Revue	Archives sous-sol	Documentaires	Disponible

De l'analyse des réseaux expérimentaux à la méta-analyse : Méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales / David Makowski (2018) 

Public ISBD Titre : De l'analyse des réseaux expérimentaux à la méta-analyse : Méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales Type de document : Ouvrage Auteurs : David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur Editeur : Versailles : Quae Année de publication : 2018 Collection : Savoir-faire Importance : 161 p ISBN/ISSN/EAN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Thesagri] agronomie [Thesagri] analyse des données [Thesagri] analyse statistique [Thesagri] logiciel [Thesagri] mathématique [Thesagri] modèle statistique [Thesagri] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références De l'analyse des réseaux expérimentaux à la méta-analyse : Méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales [Ouvrage] / David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur . - Versailles : Quae, 2018 . - 161 p. - (Savoir-faire) . ISBN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Thesagri] agronomie [Thesagri] analyse des données [Thesagri] analyse statistique [Thesagri] logiciel [Thesagri] mathématique [Thesagri] modèle statistique [Thesagri] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00005682	DJ-0146	Livre	Salle de lecture	Documentaires	Disponible

Documents numériques

De l'analyse des réseaux expérimentaux à la méta-analyse : Méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales URL

Analyse statistique des risques agro-environnementaux - Etudes de cas / David Makowski ; Hervé Monod (2011)

Public ISBD Titre : Analyse statistique des risques agro-environnementaux - Etudes de cas Type de document : Ouvrage Auteurs : David Makowski ; Hervé Monod Editeur : Berlin : Springer Verlag Année de publication : 2011 Importance : 162 p. Format : 30 ISBN/ISSN/EAN : 978-2-8178-0250-3 Prix : 30 Langues : Français (fre) Catégories : [Thesagri] agriculture [Thesagri] environnement [Thesagri] toxicologie Note de contenu : Conçu comme un véritable manuel pratique, ce livre est une introduction aux méthodes statistiques les plus couramment utilisées pour l'analyse des risques agro-environnementaux. Celles-ci peuvent être regroupées au sein de trois grandes sections : La modélisation des risques en fonction de facteurs environnementaux et anthropiques (modèle linéaire, modèle linéaire généralisé, modèle non linéaire, modèle hiérarchique, régression quantile) ; L'optimisation de décisions ou de règles de décision pour mieux gérer les risques, en intégrant des variables décisionnelles dans les modèles (optimisation de seuils de décision, optimisation par simulation, analyses ROC) ; L'analyse et la communication des incertitudes associées aux modèles (estimation et description de distributions de probabilité, assimilation de données, analyse de sensibilité). L'utilisation de chaque méthode est illustrée par une ou plusieurs applications à des problèmes concrets (pollution de l'eau par les nitrates, invasion par des espèces nuisibles, flux de gènes d'une culture OGM vers une culture non OGM, etc.). Les programmes informatiques R ou WinBUGS utilisés dans les exemples sont présentés et commentés en détail. A la fin de chaque chapitre, des exercices permettront aux lecteurs de tester leur compréhension des méthodes étudiées. Analyse statistique des risques agro-environnementaux - Etudes de cas [Ouvrage] / David Makowski ; Hervé Monod . - Berlin : Springer Verlag, 2011 . - 162 p. ; 30. ISBN : 978-2-8178-0250-3 : 30 Langues : Français (fre) Catégories : [Thesagri] agriculture [Thesagri] environnement [Thesagri] toxicologie Note de contenu : Conçu comme un véritable manuel pratique, ce livre est une introduction aux méthodes statistiques les plus couramment utilisées pour l'analyse des risques agro-environnementaux. Celles-ci peuvent être regroupées au sein de trois grandes sections : La modélisation des risques en fonction de facteurs environnementaux et anthropiques (modèle linéaire, modèle linéaire généralisé, modèle non linéaire, modèle hiérarchique, régression quantile) ; L'optimisation de décisions ou de règles de décision pour mieux gérer les risques, en intégrant des variables décisionnelles dans les modèles (optimisation de seuils de décision, optimisation par simulation, analyses ROC) ; L'analyse et la communication des incertitudes associées aux modèles (estimation et description de distributions de probabilité, assimilation de données, analyse de sensibilité). L'utilisation de chaque méthode est illustrée par une ou plusieurs applications à des problèmes concrets (pollution de l'eau par les nitrates, invasion par des espèces nuisibles, flux de gènes d'une culture OGM vers une culture non OGM, etc.). Les programmes informatiques R ou WinBUGS utilisés dans les exemples sont présentés et commentés en détail. A la fin de chaque chapitre, des exercices permettront aux lecteurs de tester leur compréhension des méthodes étudiées.

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
000013215101	LA-0124	Livre	Salle de lecture	Documentaires	Sorti jusqu'au 12/09/2022
000013215301	LA-0125	Livre	Salle de lecture	Documentaires	Disponible

Comparison of models and indicators for categorizing soft wheat fields according to their grain protein contents / Aude Barbottin ; David Makowski ; Christine Bouchard in European Journal of Agronomy, Vol. 29, n° 4 ([01/01/2008])

Public ISBD [article]  inEuropean Journal of Agronomy > Vol. 29, n° 4 [01/01/2008] . - p. 175-183 Titre : Comparison of models and indicators for categorizing soft wheat fields according to their grain protein contents Type de document : Article Auteurs : Aude Barbottin ; David Makowski ; Christine Bouchard Article en page(s) : p. 175-183 Langues : Anglais (eng) Catégories : [Thesagri] blé [Thesagri] graine [Thesagri] grande culture [Thesagri] temps Note de contenu : The ability to deliver wheat grain with a specific protein content is a major determinant of the profitability of wheat grain production. Various crop models have been developed to predict yield and grain protein content on a field scale. They can be used to predict each year, before harvest, the yields and grain protein contents of the different fields in a collecting area, leading to an optimization of the grading process into low and high protein standards. Indicators have been developed for nitrogen management at the field scale. They can be used to predict grain quality because grain protein content depends strongly on the crop nitrogen uptake during the vegetative growth of the wheat crop. The aim of this study was to evaluate the accuracy of two indicators, nitrogen nutrition index and chlorophyll content of leaves (in SPAD units), and of two models for categorizing fields according to their grain protein contents. A data set including field measurements over 3 years was used to estimate the sensitivity and specificity of the models and indicators using the receiver operating characteristic evaluation procedure. High values of sensitivity and specificity were obtained for the two indicators, and decision thresholds leading to low false negative and false positive proportions were identified. Nitrogen nutrition index showed the best results for the three grain protein content thresholds considered. Conversely, sensitivity and specificity values obtained for the two models were low. Combining model predictions and indicator values did not give better discrimination than the use of a single indicator. [article] Comparison of models and indicators for categorizing soft wheat fields according to their grain protein contents [Article] / Aude Barbottin ; David Makowski ; Christine Bouchard . - p. 175-183. Langues : Anglais (eng) in European Journal of Agronomy > Vol. 29, n° 4 [01/01/2008] . - p. 175-183 Catégories : [Thesagri] blé [Thesagri] graine [Thesagri] grande culture [Thesagri] temps Note de contenu : The ability to deliver wheat grain with a specific protein content is a major determinant of the profitability of wheat grain production. Various crop models have been developed to predict yield and grain protein content on a field scale. They can be used to predict each year, before harvest, the yields and grain protein contents of the different fields in a collecting area, leading to an optimization of the grading process into low and high protein standards. Indicators have been developed for nitrogen management at the field scale. They can be used to predict grain quality because grain protein content depends strongly on the crop nitrogen uptake during the vegetative growth of the wheat crop. The aim of this study was to evaluate the accuracy of two indicators, nitrogen nutrition index and chlorophyll content of leaves (in SPAD units), and of two models for categorizing fields according to their grain protein contents. A data set including field measurements over 3 years was used to estimate the sensitivity and specificity of the models and indicators using the receiver operating characteristic evaluation procedure. High values of sensitivity and specificity were obtained for the two indicators, and decision thresholds leading to low false negative and false positive proportions were identified. Nitrogen nutrition index showed the best results for the three grain protein content thresholds considered. Conversely, sensitivity and specificity values obtained for the two models were low. Combining model predictions and indicator values did not give better discrimination than the use of a single indicator.

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
REV-00004595	Vol. 29, n° 4 - 01/01/2008	Revue	Archives sous-sol	Documentaires	Disponible

Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python / David Makowski (2021)

Public ISBD Titre : Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python Type de document : Ouvrage Auteurs : David Makowski, Auteur Editeur : Paris : Ellipses Année de publication : 2021 Collection : Formations & Techniques Importance : 256 p ISBN/ISSN/EAN : 978-2-340-04577-4 Langues : Français (fre) Catégories : [Thesagri] agriculture [Thesagri] analyse des données [Thesagri] analyse statistique [Thesagri] logiciel Index. décimale : DJ-0 Généralités Note de contenu : 1 - Objectif de la data science 2 - La régression pénalisée 3 - Régression linéaire avec variables corrélées 4 - Les séparateurs à vastes marges (SVM) 5 - Arbres et forêts aléatoires 6 - Réseaux de neurones 7 - Apprentissage non supervisée 8 - Evaluation Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python [Ouvrage] / David Makowski, Auteur . - Paris : Ellipses, 2021 . - 256 p. - (Formations & Techniques) . ISBN : 978-2-340-04577-4 Langues : Français (fre) Catégories : [Thesagri] agriculture [Thesagri] analyse des données [Thesagri] analyse statistique [Thesagri] logiciel Index. décimale : DJ-0 Généralités Note de contenu : 1 - Objectif de la data science 2 - La régression pénalisée 3 - Régression linéaire avec variables corrélées 4 - Les séparateurs à vastes marges (SVM) 5 - Arbres et forêts aléatoires 6 - Réseaux de neurones 7 - Apprentissage non supervisée 8 - Evaluation

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00005344	DJ-0145	Livre	Salle de lecture	Documentaires	Sorti jusqu'au 12/09/2022

---

1 (1 - 5 / 5)