Informations pratiques

Le 16/12/2025 à 13h30 dans l’amphithéâtre A-1 du bâtiment A du campus AgroParisTech, 22 place de l’Agronomie à Palaiseau. 

Encadrement

Thèse préparée sous la direction de Masoomeh TAGHIPOOR, Ingénieure de recherche (ADR), la co-direction de Christine DUVAUX-PONTER, Professeure, et le co-encadrement de Nicolas C. FRIGGENS, Directeur de recherche, et Joon KWON, Chargé de recherche.

Résumé

Dans le contexte de la transition agroécologique, la demande sociétale et scientifique en faveur de systèmes d’élevage plus respectueux du bien-être animal ne cesse de croître, tout en promouvant aussi la sélection d’animaux robustes, capables de faire face aux aléas climatiques et environnementaux. Parallèlement, les technologies d’élevage de précision (Precision Livestock Farming, PLF) génèrent des séries temporelles variées et permettent ainsi de suivre de manière continue et individualisée différents paramètres, en lien avec les modifications de l’environnement et des pratiques d’élevage. Si ces technologies ont connu des avancées notables dans la détection des troubles de santé ou des performances de production, leur potentiel pour un suivi dynamique du comportement à l’échelle individuelle reste encore peu exploité. Ce travail de thèse visait à combler cette lacune (1) en développant un outil automatisé pour classifier des comportements clés de façon standardisée à partir de données accélérométriques brutes quel que soit le contexte expérimental et l’espèce, (2) en utilisant cet outil pour analyser les profils d’activité individuels et caractériser les adaptations comportementales face à une perturbation nutritionnelle induite et (3), en améliorant la détection de comportements courts ou peu fréquents, difficilement détectables actuellement par les approches classiques, mais pourtant essentiels à une évaluation fine du bien- être. Le pipeline développé (ACT4Behav) intègre des étapes modulaires de pré-traitement des données et de classification permettant de générer des données comportementales continues et robustes dans divers contextes expérimentaux.

Les modèles générés à l’aide du pipeline ont montré de bonnes performances de classification sur différents individus et emplacements de capteurs. L’utilisation de techniques de rééchantillonnage a permis d’améliorer les performances du modèle pour la détection de comportements rares et courts comme les coups de tête. Par ailleurs, les profils comportementaux générés par le pipeline ont été utilisés pour étudier la sensibilité individuelle à une perturbation nutritionnelle. Les résultats ont révélé une grande variabilité interindividuelle de la flexibilité comportementale : certaines chèvres ont modifié leurs activités, tandis que d’autres ont maintenu des profils stables. Ces réponses contrastées suggèrent l’existence de stratégies d’adaptation différentes entre les individus. Quantifier cette variabilité s’avère essentiel, non seulement pour affiner le suivi du bien-être animal, mais également pour orienter les pratiques de gestion et les choix de sélection dans un contexte d’adaptation aux changements environnementaux. Ce travail contribue au développement d’outils de monitoring du comportement et d’évaluation individualisée du bien-être animal. Il souligne l’importance de prendre en compte la variabilité intra-troupeau des réponses comportementales et ouvre la voie à l’intégration d’indicateurs de bien- être dans les stratégies d’élevage de précision.