Comment coupler observations et prédictions pour améliorer les prédictions d'épidémie de Septoriose sur le blé ?
Abstract
Wheat Septoria leaf blotch disease is one of the most important in France. Fungicides are more efficient just before the appearance of symptomes, thug it is challenging to find the right timing. Nowadays, the decision of treatment is based on observations made in the fields and on modelling of the severity of the disease made with the SeptoLISO model. So far no one had ever tried to fuse the modelled and the observed data. We had two aims: one was to predict whether the contamination threshold of 4/20 is reached or not on a given leaf, of a given field on a given week, the other was to predict whether this threshold will be reached on the next week or not. Finally we compared our prediction performances to the current prediction performances in 4 different scenarios. Binomial regression models and classification trees were the most efficient to predict contaminations, when precise information from the field was scarce. Fusion of observed and modeled data seems a promising approach to improve epidemics prediction performances.
La Septoriose est une des maladies du blé les plus répandues en France. Il est difficile de prédire le moment où les applications fongicides seront les plus efficaces ; pour ce faire, on se base sur des observations faites en champs et sur des modélisations statistiques réalisées à l'aide du modèle SeptoLISO. Jusque-là, aucun couplage formel de ces deux types de données n'avait jamais été réalisé. Les deux objectifs du stage étaient : d'une part, de prédire précisément si le seuil de contamination de 4/20 était atteint sur un étage foliaire, en un site donné ; d'autre part, de pouvoir prédire si ce seuil sera atteint la semaine suivante ou non. Nous avons ensuite testé la plus-value de nos modèles par rapport aux performances de prédictions actuelles dans 4 situations différentes. Les modèles de régression binomiale et les arbres de décisions ont atteint les meilleures performances dans les scénarios où l'on a peu d'information sur la parcelle à prédire. Le couplage entre les données observées et les modélisations paraît être une idée prometteuse pour améliorer les prédictions d'épidémies.
Loading...