réalisé par Mickaël Bourion au LISC, Cemagref de Clermont Ferrand sous la direction de

DESS SIADannée 2001-2002 Génération de population agricole à partir de données agrégées et d’un panel représentatif de fermes. réalisé par Mickaël Bourion au LISC, Cemagref de Clermont Ferrand sous la direction de Thierry Faure 10 septembre 2002

Sommaire • Introduction • I. Analyse de données • II. Les méthodes de génération de population • III. L’application • Conclusion - Perspectives

Introduction Le contexte du stage • Le CIAT (Centre International de l’Agriculture Tropicale) • Données de recensement : Confidentielles ! Seuls sont disponibles: • Données agrégées • Echantillons • Nécessité de créer une application générant une population à partir de ces données

Introduction Objectifs de l’étude • Développer un outil réalisant la reconstruction de population • Utiliser la population agricole complète du Honduras : • Comme exemple pour l’application • Pour étudier ses caractéristiques • Pour manipuler les méthodes d’agrégation

Introduction Spécifications du programme • Outil générique (échelles et paramètres variables) • Opération « inverse » : générer une population à partir d’un échantillon • Programme en sources libres • Localisation en 3 langues

Introduction • I. Analyse de données • II. Les méthodes de génération de population • III. L’application • Conclusion - Perspectives

I. Analyse de données Présentation des données • Le Honduras plus de 300 000 exploitations 3 échelles administratives :

I. Analyse de données Présentation des données • 3 matrices de paramètres : • Exploitations (surfaces, usage des terres…) • Producteurs (âge, sexe, condition juridique…) • Productions (quantités et types…)

I. Analyse de données Mise en œuvre d’algorithmes avec Scilab • Formatage des données • Agrégations • Corrélations entre paramètres

I. Analyse de données Résultats • Agrégations • Corrélations entre paramètres : Données trop disparates

II. Les méthodes de génération de population Principe de la méthode utilisée • Multiplication des prototypes d’un échantillon par des coefficients • Choix optimal de ces coefficients pour respecter les contraintes des données agrégées • Besoin d’un algorithme de minimisation des erreurs

II. Les méthodes de génération de population Principe de la méthode utilisée P (pop initiale) Ferme 1 Ferme 2 Ferme 3 Ferme 4 Ferme 5 Ferme 6 P’ (échantillon) P (données agrégées) Ferme 7 Σ fermes = 8 Ferme 8 Prototype 1 Prototype 2 Σ productions = 150 Prototype 3 P’’ (pop générée) Prototype 1 Prototype 1 Prototype 2 Prototype 2 Prototype 2 Prototype 3 Prototype 3 Prototype 3

II. Les méthodes de génération de population 2 types d’algorithmes • Algorithme quadratique: pour générer une population à partir d’un échantillon. • Algorithme de type Monte Carlo (non analytique) : pour générer un échantillon à partir d’une population entière

II. Les méthodes de génération de population Algorithme de minimisation quadratique • Formulation du problème Transformation min (0.5*xt*Q*x+pt*x) I*x=N • Pour le programme : Algorithme de « R » + … producteurs productions Contrainte(s) :

II. Les méthodes de génération de population Algorithmes de type Monte Carlo • Hill climbing • recuit simulé (simulated annealing) P(δE) = exp (-δE / T) • Algorithme génétique • …

III. L’application Les modules du programme • Module Population • Module Statistiques • Module Minimisation

III. L’application DiagrammeUML

III. L’application L’arborescence de répertoires Info.txt Prototype.txt DonnéesAgreg.txt ProtoGénérés.txt

III. L’application L’interface : onglet population

III. L’application L’interface : Fenêtre de visualisation de l’arbre

III. L’application L’interface : onglet Statistiques

III. L’application Aspects du module Plan d’expérience Zone d’exploration Génération de population • Région étudiée • paramètres à minimiser • types des données agrégées (qualitatif/ quantitatif) • seuil d’erreur (pour chaque paramètre) Générer Algorithme 1 Génération d’échantillon Algorithme 2

Conclusion - Perspectives Conclusion • Acquisition de nouveaux outils • Bilan de l’analyse de données • Bilan de l’application - résultats

Conclusion - Perspectives Perspectives • Documentation • Essais et comparaisons des 2 algorithmes • Module plan d’expérience • Module Visualisation (Java Analysis Studio) • Projet « ouvert » - Statistiques évoluées (AFC, Clustering) - ajouts de nouvelles fonctions…

réalisé par Mickaël Bourion au LISC, Cemagref de Clermont Ferrand sous la direction de