KNOXVILLE, TN, 08 juillet 2026 /24-7PressRelease/ -- Un nouvel indice de mildiou du blé (WPMI) offre un moyen pratique de détecter, quantifier et suivre une maladie fongique majeure du blé d'hiver à plusieurs échelles spatiales. En intégrant la spectroscopie au niveau des feuilles, les mesures de la canopée au sol, l'imagerie hyperspectrale par drone (UAV) et l'analyse des points chauds, l'étude fournit un outil spécifique à la maladie pour identifier les zones infectées et surveiller la propagation ou la récupération du mildiou du blé dans les champs.

Le mildiou du blé (WPM) est une maladie fongique destructrice qui endommage les tissus foliaires, affaiblit la croissance des plantes et peut entraîner des pertes de rendement sévères, voire l'échec de la récolte. Le diagnostic actuel sur le terrain repose encore fortement sur l'inspection visuelle experte, qui est laborieuse, subjective et difficile à étendre. Bien que la télédétection hyperspectrale ait montré des promesses pour la détection des maladies des cultures, de nombreux indices de végétation (VI) existants ont été développés pour la surveillance générale des pigments, de la biomasse ou du stress, plutôt que pour les réponses pathogène-hôte spécifiques à une maladie. Les méthodes d'apprentissage automatique peuvent également nécessiter de grands ensembles de données d'entraînement de haute qualité. En raison de ces défis, des recherches approfondies sont nécessaires pour développer une méthode spécifique, stable et évolutive pour la détection du WPM, de l'échelle du sol à celle des drones (UAV).

Une équipe de recherche du Key Lab of Smart Agriculture System, ministère de l'Éducation, Université agricole de Chine ; du Centre de recherche en technologies de l'information, Académie des sciences agricoles et forestières de Pékin ; de l'Institut de protection des plantes, Académie chinoise des sciences agricoles ; et du Collège des sciences et technologies des terres, Université agricole de Chine, a rapporté (DOI: 10.34133/remotesensing.0955) l'étude dans le Journal of Remote Sensing le 10 avril 2026. L'étude répond au besoin de surveillance rapide du WPM à l'échelle des champs dans les petites exploitations, où la propagation de la maladie peut être spatialement inégale et difficile à capturer par le seul repérage manuel.

L'étude a développé deux formes de WPMI : WPMIG = (R760 − R554)/(R661 + R554) et WPMIR = (R760 − R661)/(R661 + R554). Ces indices ont été conçus à partir de bandes sensibles à la maladie dans les régions du vert, du rouge et du proche infrarouge (NIR). Comparés aux VI traditionnels, le WPMI distingue plus systématiquement le blé sain et infecté et quantifie mieux l'indice de maladie (DI) à travers les échelles de la feuille, de la canopée au sol et de la canopée par drone. WPMIG a montré des performances particulièrement élevées et a été sélectionné pour l'analyse des points chauds par drone afin de révéler les zones potentielles d'infection et de récupération.

Les chercheurs ont collecté trois années de données provenant d'expériences en serre et sur le terrain menées de 2022 à 2024. L'ensemble de données comprenait 1 260 spectres de feuilles et 804 spectres de canopée sous différentes conditions d'infection, variétés de blé et échelles spatiales. À l'échelle de la feuille, le WPMI a atteint la plus haute précision de classification globale (OCA), atteignant 85 % et 86 % pour WPMIG et WPMIR respectivement, dans l'expérience en serre de 2022. En conditions de terrain, les deux indices ont atteint 81 % et 80 % de précision en 2023, et 80 % et 81 % en 2024. Pour l'estimation de la sévérité de la maladie, WPMIG a atteint des valeurs R² de 0,55 à 0,93 à l'échelle du sol et de 0,48 à 0,90 à l'échelle du drone. Les cartes WPMIG dérivées du drone, combinées à l'analyse des points chauds Getis–Ord Gᵢ*, ont identifié des clusters d'infection probable et suivi les changements spatio-temporels dans les parcelles de petites exploitations sur trois saisons de croissance.

Les chercheurs ont noté qu'un indice spectral spécifique à une maladie peut faire progresser la surveillance des maladies des cultures au-delà de la simple comparaison d'images. En reliant l'imagerie hyperspectrale par drone à l'analyse spatiale des points chauds, la méthode peut aider à révéler où le WPM émerge, se propage ou décline, offrant une base potentielle pour une alerte précoce et une gestion plus ciblée de la maladie.

Les spectres de feuilles ont été collectés à l'aide d'une caméra hyperspectrale portable, tandis que les spectres de canopée ont été acquis à l'aide d'un spectromètre au sol et d'un drone DJI M600 équipé d'une caméra hyperspectrale Pika L. L'analyse discriminante linéaire (LDA) a été utilisée pour sélectionner les bandes sensibles et évaluer les performances de classification. Le DI a été mesuré par des enquêtes de terrain suivant les normes nationales. La régression linéaire a évalué la relation entre le WPMI et le DI, tandis que l'analyse des points chauds a cartographié les clusters d'infection spatiale à partir de l'imagerie par drone.

Avec une validation supplémentaire à travers les régions, les variétés de blé, les capteurs et les conditions de maladie, la surveillance par drone basée sur le WPMI pourrait soutenir la protection végétale de précision et les systèmes d'alerte précoce pour la production de blé. L'approche peut aider les agriculteurs à identifier les points chauds de la maladie avant que des épidémies sévères ne se produisent, réduire l'utilisation inutile de pesticides et améliorer la prise de décision au niveau du champ. Plus largement, cette stratégie fournit un cadre pour développer des indices de télédétection spécifiques à une maladie pour d'autres systèmes culture-pathogène, contribuant à une surveillance agricole plus intelligente et plus résiliente.

Références
DOI
10.34133/remotesensing.0955

URL source originale
https://spj.science.org/doi/10.34133/remotesensing.0955

Informations sur le financement
Ce travail a été soutenu par le Programme national de recherche et développement clé (subvention n° 2021YFD2000103), le Fonds national des sciences naturelles (subvention n° 32371995), la Fondation des sciences postdoctorales de Chine (2025M782465), le Programme de percée scientifique et technologique du Henan (262102110349), le Fonds de guidance centrale pour les projets de développement scientifique et technologique locaux en Mongolie intérieure (2024ZY0145), le Programme de développement des talents 2115 de l'Université agricole de Chine, le Programme clé de recherche et développement de la province du Shandong (2022CXGC020708) et le Projet de réforme de la formation du Collège (SZ-2024-02).

À propos du Journal of Remote Sensing
Le Journal of Remote Sensing, une revue en libre accès en ligne publiée en association avec AIR-CAS, promeut la théorie, la science et la technologie de la télédétection, ainsi que la recherche interdisciplinaire en sciences de la Terre et de l'information.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.