Un nouvel indice d'oïdium 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 foliaire, les mesures de la canopée au sol, l'imagerie hyperspectrale par drone (UAV) et l'analyse de points chauds, l'étude fournit un outil spécifique à la maladie pour identifier les zones infectées et surveiller la propagation ou la récupération de l'oïdium dans les champs.
L'oïdium du blé (WPM) est une maladie fongique destructive qui endommage les tissus foliaires, affaiblit la croissance des plantes et peut entraîner de graves pertes de rendement, voire l'échec de la récolte. Le diagnostic actuel sur le terrain repose encore largement sur l'inspection visuelle par des experts, ce qui est laborieux, subjectif et difficile à étendre. Bien que la télédétection hyperspectrale ait montré un potentiel pour la détection des maladies des cultures, de nombreux indices de végétation (IV) existants ont été développés pour le suivi général 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 à différentes échelles, du sol au drone.
Une équipe de recherche du Laboratoire clé des systèmes agricoles intelligents, 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 du territoire et de la technologie, Université agricole de Chine, a rapporté l'étude dans le Journal of Remote Sensing le 10 avril 2026. L'étude répond au besoin de surveillance rapide et à l'échelle du champ du WPM dans les petites exploitations agricoles, où la propagation de la maladie peut être spatialement inégale et difficile à capturer par un simple 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 IV traditionnels, le WPMI a distingué de manière plus constante le blé sain du blé infecté et a mieux quantifié l'indice de maladie (DI) à l'échelle de la feuille, de la canopée au sol et de la canopée par drone. Le WPMIG a montré des performances particulièrement élevées et a été sélectionné pour l'analyse de 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 précision de classification globale (OCA) la plus élevée, atteignant 85 % et 86 % pour WPMIG et WPMIR respectivement dans l'expérience en serre de 2022. Sur le terrain, les deux indices ont atteint une précision de 81 % et 80 % en 2023, et de 80 % et 81 % en 2024. Pour l'estimation de la sévérité de la maladie, le 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 de 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 de points chauds, la méthode peut aider à révéler où l'oïdium 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 portative, 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 sur le terrain suivant les normes nationales. La régression linéaire a évalué la relation entre le WPMI et le DI, tandis que l'analyse de points chauds a cartographié les clusters d'infection spatiale à partir de l'imagerie drone.
Avec une validation supplémentaire dans différentes régions, variétés de blé, capteurs et conditions de maladie, la surveillance par drone basée sur le WPMI pourrait soutenir la protection phytosanitaire de précision et les systèmes d'alerte précoce pour la production de blé. L'approche pourrait aider les agriculteurs à identifier les points chauds de la maladie avant que des épidémies graves 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 aux maladies pour d'autres systèmes culture-pathogène, contribuant à une surveillance agricole plus intelligente et plus résiliente.
