Accélérer l’innovation et l’adaptation des systèmes de productions agricoles est nécessaire dans un contexte de mutations accélérées par le changement climatique et la montée des enjeux environnementaux. C’est particulièrement vrai pour le développement des biosolutions (biocontrôle et biostimulants) dont l’efficacité sur le terrain est parfois partielle et variable selon leurs conditions d’utilisation.

Pour définir leur domaine d’utilisation, il est important de décrire finement les conditions de mises en œuvre des produits (sol, climat, itinéraires techniques…) et de mettre en commun des données issues de situations de production variées. Afin de répondre à cet enjeu, les partenaires du projet mettent en commun leur expertise en matière de formalisation et de déploiement de bonnes pratiques de gestion des données, des métadonnées et de leurs descripteurs. 

Le projet STAR est au croisement de trois filières : la vigne, les grandes cultures oléoprotéagineuses et le maraîchage.

Il a pour objectif de lever les freins à un partage et une mutualisation des données expérimentales (collectées par des expérimentateurs selon des protocoles définis sur des dispositifs contrôlés) et techniques (c’est-à-dire les données décrivant les itinéraires techniques mis en œuvre sur l’exploitation). Pour cela, les techniques du Web-sémantique seront mobilisées afin de proposer des standards visant à uniformiser et rendre interopérables les différentes sources de données permettant de décrire de façon exhaustive les contextes de réalisation et les résultats des expérimentations. 

• Proposer des modèles de données adaptables associés à des vocabulaires contrôlés pour obtenir des données interopérables (thésaurus de variables…)
• Co-construire avec les expérimentateurs des outils simples et pratiques à mettre en œuvre pour explorer, enrichir, valider et produire des jeux de données complets et standardisés
• Mener des actions de diffusion, sensibilisation, de formation et d’accompagnement des acteurs 

*Les signes s’entendent espaces compris (dans révision-statistiques) 

• Bonnes pratiques et modèles partagés avec les communautés scientifiques et techniques
• Codes informatiques d’analyse et de validation de jeux de données (fonctions, packages…)
• Formations et outils d’accompagnement (tutoriels, aides en ligne…)
• Communications scientifiques et techniques en open-data : data-paper, articles scientifiques (Computer and Electronics in Agriculture, Revue Ouverte d’Intelligence
• Artificielle), actes de colloques (Plate-Forme Intelligence Artificielle PFIA)
• Séminaire envisagé en fin de projet