Par Marta Corbetta | Doctorante | USCS
Avec la contribution du Prof. Tito Caffi, Dr. Carlotta Lomeo et Prof. Vittorio Rossi
Évolution du contexte
La gestion des ravageurs a connu plusieurs évolutions au fil du temps. À la fin du XXe siècle, un changement majeur s’est opéré avec le passage d’une approche basée sur un calendrier fixe à la gestion intégrée des ravageurs (Integrated Pest Management, IPM), qui nécessite une expertise spécialisée et des connaissances techniques. C’est pourquoi la diffusion de toutes les techniques disponibles en IPM, y compris l’utilisation de modèles mathématiques, a été soutenue par des outils d’accompagnement technique. Ceux-ci ont évolué d’une assistance directe à une assistance indirecte, à mesure que les techniques sont devenues de plus en plus basées sur les nouvelles Technologies de l’Information et de la Communication (TIC).
L’IPM s’aligne sur des objectifs plus larges, tels que le Pacte Vert pour l’Europe (European Green Deal), qui vise à réduire d’au moins 55 % les émissions nettes de gaz à effet de serre d’ici 2030, notamment en réduisant de 50 % l’utilisation des produits phytosanitaires.
Les modèles mathématiques
Les modèles mathématiques jouent un rôle crucial dans la gestion des ravageurs, c'est-à-dire toute espèce, souche ou biotype de plante, d’animal ou d’agent pathogène nuisible aux plantes ou aux produits végétaux (IPPC, 2024). Dans cet article, nous nous concentrons sur les modèles de maladies des plantes en tant qu’exemple de modèles de ravageurs. Ces modèles sont une représentation simplifiée des relations entre les pathogènes, les cultures et l’environnement, qui entraînent le développement d’épidémies dans le temps et/ou l’espace.
Les premières approches de modélisation des maladies des plantes ont été empiriques (appelées modèles data-based), définissant des relations mathématiques entre les composantes du cycle de la maladie (telles que l’infection ou la sporulation du pathogène) et les variables environnementales concomitantes (telles que la température de l’air, les précipitations ou la durée des périodes humides). Ces modèles s’appuyaient sur des ensembles de données collectées sur le terrain et étaient illustrés par des règles simples, des graphiques ou des tableaux. Bien qu’ils puissent offrir une bonne représentation des données observées, ces modèles ne prenaient pas en compte les mécanismes biologiques sous-jacents (moléculaires, biochimiques, de dynamique des populations, etc.), ce qui les rendait faciles à développer, mais moins fiables et robustes dans différents contextes agricoles.
Pour pallier ces limites, des modèles mécanistes (process-based models) ont été introduits dans les années 1990. Ces modèles se concentrent sur les processus biologiques des pathogènes, y compris leurs stades de développement, ainsi que sur les facteurs environnementaux et culturaux (stades phénologiques et sensibilité de la plante hôte) influençant leur développement. Bien que plus complexes, ces modèles offrent une meilleure fiabilité et flexibilité par rapport aux modèles empiriques. Ils permettent d’identifier les périodes à risque d’infection et les moments optimaux pour appliquer des mesures de lutte contre les maladies.
Dans l’approche de modélisation de l’Université catholique du Sacré-Cœur, à Plaisance (Piacenza, Italie), quatre étapes de base sont utilisées pour développer plusieurs modèles mécanistes de maladies des plantes basés sur les conditions météorologiques: 1) définition de l’objectif du modèle, 2) conceptualisation, 3) développement des relations mathématiques, 4) évaluation du modèle (Fig. 1)
Validation des modèles
Tous les modèles mathématiques doivent être validés pour vérifier leur capacité à interpréter correctement les phénomènes biologiques et la dynamique des maladies des plantes. La validation biologique consiste à comparer les résultats du modèle avec la réalité dans diverses situations culturales, en utilisant des ensembles de données indépendants (données non utilisées pour le développement du modèle).
Les modèles, en particulier les modèles mécanistes, ont largement démontré leur capacité à optimiser les activités de surveillance des cultures et à programmer les interventions de lutte contre les ravageurs, tant en termes de calendrier que de choix des produits adaptés à chaque intervention spécifique.
Les systèmes d’aide à la décision
Les modèles mathématiques jouent un rôle essentiel dans la gestion de ce contexte complexe. Les modèles de maladies des plantes doivent être complétés par d’autres modèles, tels que ceux de croissance des cultures et de dynamique des pesticides, afin d’offrir une vision complète de l’agroécosystème. Cette approche multimodèle peut être mise en œuvre à l’aide de systèmes experts. Magarey et al. (2002) ont introduit la figure du super conseiller (super advisor), un consultant qui intègre toutes les solutions de gestion à destination des agriculteurs et fournit les informations nécessaires pour prendre des décisions correctes et opportunes. L’approche multimodèle et l’utilisation de systèmes experts ont été intégrées dans les systèmes d’aide à la décision (Decision Support Systems, DSS, Fig. 2). Ces systèmes permettent aux agriculteurs de résoudre des problèmes complexes tout en réduisant le temps et les ressources nécessaires à l’analyse des informations disponibles et au choix des meilleures solutions. Les DSS ont évolué pour ne pas se limiter à la protection des cultures, mais pour gérer l’ensemble du système de production, incluant la fertilisation, l’irrigation, la gestion des sols et de la canopée, ainsi que la prévision de la maturité et du rendement.
Pour ce faire, les DSS intègrent de plus en plus de technologies issues de l’Agriculture 4.0 afin de capturer un maximum de données sur l’environnement de la culture. Ils fournissent des informations dynamiques tout au long de la saison, avec des mises à jour horaires ou quotidiennes, et tiennent compte des spécificités des parcelles, comme les variétés cultivées (et leur sensibilité aux organismes nuisibles) ou les techniques culturales utilisées, y compris les traitements phytosanitaires.
Perspectives
De nombreuses études ont démontré que les modèles mathématiques améliorent les stratégies de protection des cultures. Leur application permet de mieux cibler les traitements, ce qui accroît leur efficacité tout en réduisant le nombre d’interventions. Les solutions numériques ne doivent pas être considérées comme une alternative aux conseils fournis par les agronomes, mais comme un outil d’aide pour les techniciens et les agriculteurs afin de mieux comprendre l’état de l’agroécosystème, y compris en temps réel et à distance. Cela permet d’accroître leur conscience des risques pour la santé des cultures et d’optimiser leurs interventions agricoles.
L’approche de STELLA en matière de modélisation
Dans le cadre du projet STELLA, une plateforme de Pest Surveillance System (PSS) sera développée avec pour objectif ultime d’établir un système centralisé de surveillance des maladies et ravageurs à l’échelle de l’Union européenne et en Nouvelle-Zélande. Ce projet se concentre sur la menace posée par les ravageurs exotiques, dont la présence a augmenté ces dernières décennies en raison de la mondialisation et du commerce international.
L’objectif du projet est de développer des modèles bioclimatiques pour estimer la distribution potentielle des espèces nuisibles. Ces modèles seront basés sur des indices évaluant le risque de maladies spécifiques causées par des organismes nuisibles réglementés et de quarantaine, tels que des bactéries, des champignons, des insectes et des phytoplasmes. Grâce à cette approche globale, le projet STELLA vise à renforcer les stratégies de gestion des ravageurs et à réduire l’impact des espèces envahissantes sur les systèmes agricoles.
