Détection précoce et spécifique de Magnaporthe oryzae sur les feuilles de riz par imagerie hyperspectrale et apprentissage automatique

Introduction

La pyriculariose du riz, causée par Magnaporthe oryzae, constitue l’une des maladies fongiques les plus dévastatrices pour la production rizicole mondiale. Une détection rapide et précise des infections est essentielle afin de mettre en place des stratégies de lutte efficaces. Les méthodes classiques de diagnostic reposent généralement sur l’observation visuelle ou des techniques moléculaires, mais elles sont souvent laborieuses, longues et nécessitent une expertise importante.

L’imagerie hyperspectrale associée à l’apprentissage automatique représente une alternative prometteuse pour le dépistage précoce et la distinction des stades d’infection. Cette approche innovante permet d’identifier des signatures spectrales spécifiques liées à la présence ou à l’évolution de l’agent pathogène, facilitant ainsi une évaluation non destructive, rapide et objective sur le terrain.

Matériel et méthodes

Collecte des échantillons et inoculation

Les plants de riz (Oryza sativa) ont été cultivés dans des conditions contrôlées jusqu’au stade de croissance souhaité. Les feuilles ont été artificiellement inoculées avec des suspensions de spores de Magnaporthe oryzae. Des témoins non infectés ont également été maintenus à des fins de comparaison. Après l’inoculation, les feuilles ont été photographiées à plusieurs intervalles afin de capturer les différentes phases de la maladie.

Acquisition de données hyperspectrales

Les feuilles ont été soumises à une acquisition d’images hyperspectrales couvrant la plage de 408 à 1011 nm. Tous les échantillons, sains ou infectés, ont fait l’objet de mesures répétées à différents moments post-inoculation, allant de quelques heures jusqu’à plusieurs jours, pour suivre l’évolution spatio-temporelle des signatures spectrales associées à l’infection.

Annotation des stades d’infection

Chaque échantillon a été visuellement évalué par des experts phytopathologistes. Les stades ont été classés comme suit :

• Stade 0 : Aucune infection visible
• Stade 1 : Apparition de lésions initiales
• Stade 2 : Prolifération et agrandissement des lésions
• Stade 3 : Nécrose avancée et destruction des tissus

Traitement des données et apprentissage automatique

Afin de traiter l’importante quantité de données hyperspectrales collectées, plusieurs techniques de prétraitement (normalisation, correction de fond, élimination du bruit) ont été appliquées. Une combinaison de méthodes d’apprentissage supervisé, telles que l’analyse discriminante linéaire (LDA), le k-plus proches voisins (KNN) et la machine à vecteurs de support (SVM), a été utilisée pour entraîner et valider les modèles de classification.

Résultats

Discrimination précoce d’infection

Dès les premières phases post-inoculation, d’infimes variations du spectre hyperspectral ont pu être détectées, bien avant que tout symptôme ne soit visible à l’œil nu. Les modèles entraînés ont atteint des taux de précision remarquablement élevés pour distinguer les feuilles saines des feuilles infectées aux stades précoces, avec des scores de classification supérieurs à 90 %.

Détection des stades d’infection

L’analyse spectrale a permis non seulement de différencier les feuilles infectées des feuilles saines, mais aussi de distinguer efficacement les stades successifs d’évolution de la maladie. Les signatures spectrales des tissus à chaque stade évoluaient significativement, avec des changements notables dans certaines bandes clés, notamment celles associées à la chlorophylle, à l’humidité et à la structure cellulaire.

Performances des algorithmes de classification

Parmi les différentes méthodes testées, les approches SVM ont montré la meilleure capacité de généralisation et de robustesse, permettant une reconnaissance automatisée et fiable des divers stades d’infection sur les feuilles de riz. L’intégration d’un ensemble de caractéristiques spectrales, sélectionnées par analyse de sensibilité, a permis d’optimiser les performances de détection.

Avantages de l’imagerie hyperspectrale

L’imagerie hyperspectrale s’est révélée bien supérieure aux approches visuelles conventionnelles. Elle autorise une détection spécifique, précoce et quantitative de l’agent pathogène, même à des niveaux d’infection minimes. L’absence de contact et la rapidité d’analyse en font un outil prometteur pour la surveillance à grande échelle et le phénotypage précoces en sélection variétale.

Discussion

L’utilisation conjointe de l’imagerie hyperspectrale et de l’apprentissage automatique offre une nouvelle dimension dans la lutte contre la pyriculariose du riz. Cette technologie apporte aux agronomes, phytopathologistes et obtenteurs une solution rapide, non destructive et sensible qui permet d’anticiper les épidémies et d’adapter rapidement les stratégies de gestion des cultures. Les perspectives d’application sont multiples : suivi en serre, dépistage en champ, aide à la décision pour la protection phytosanitaire.

Des défis subsistent quant à la miniaturisation et à la portabilité de ces dispositifs pour des applications de terrain, ainsi qu’à l’amélioration des algorithmes, en particulier pour discriminer efficacement les co-infections ou autres stress abiotiques. Des développements futurs, intégrant davantage de données environnementales et génomiques, pourraient renforcer la robustesse et la précision de ces solutions.

Conclusion

L’étude démontre que l’imagerie hyperspectrale, associée à des algorithmes sophistiqués d’apprentissage automatique, permet une détection précoce, rapide et précise de Magnaporthe oryzae sur les feuilles de riz et distingue de manière efficace les différents stades d’infection. Cette avancée forge de nouvelles perspectives pour une gestion intégrée et durable de la pyriculariose du riz.

Source : https://www.sciencedirect.com/science/article/abs/pii/S0168169926005727?dgcid=rss_sd_all