Détection présymptomatique basée sur l'apprentissage automatique de la brûlure de la gaine du riz à l'aide de profils spectraux

Résumé :

La détection précoce des maladies des plantes, avant l'apparition des symptômes, peut permettre une gestion ciblée et plus proactive des maladies. L'objectif de cette étude était d'évaluer l'utilisation de la spectroscopie dans le proche infrarouge (NIR) combinée à l'apprentissage automatique pour la détection précoce de la brûlure de la gaine du riz (ShB), causée par le champignon Rhizoctonia solani. Nous avons prélevé des spectres NIR sur des feuilles de Lemont, cultivar de riz sensible à la ShB, qui poussaient dans une chambre de croissance un jour après l'inoculation avec R. solani et avant l'apparition de tout symptôme de maladie. La machine à vecteurs de support (SVM) et la forêt aléatoire, deux algorithmes d'apprentissage automatique, ont été utilisés pour créer et évaluer la précision de modèles prédictifs de maladies basés sur une classification supervisée. Une analyse discriminante par les moindres carrés partiels clairsemés a été utilisée pour confirmer les résultats. Le modèle le plus précis comparant les plantes inoculées et les plantes inoculées était basé sur la SVM et avait une précision globale des tests de 86,1 % (N = 72), tandis que lorsque les plantes témoins, simulées et inoculées étaient comparées, le modèle SVM le plus précis avait une précision globale des tests de 73,3 % (N = 105). Ces résultats suggèrent que les modèles d'apprentissage automatique pourraient être développés pour devenir des outils permettant de diagnostiquer les plantes infectées mais asymptomatiques sur la base de profils spectraux aux premiers stades du développement de la maladie. Lors des tests et de la validation sur le terrain des essais sont encore nécessaires, cette technique est prometteuse pour une application sur le terrain pour le diagnostic et la prise en charge des maladies.