Leaf and cluster spectral signatures reveal trait-dependent prediction performance for grapevine cluster architecture and juice quality

Cette étude démontre que la prédiction de l'architecture des grappes et de la qualité du jus de raisin par spectrométrie hyperspectrale est supérieure lorsqu'elle repose sur la réflectance des grappes plutôt que sur celle des feuilles, et qu'elle est optimisée par des stratégies de partitionnement des données adaptées aux variétés.

L'essentiel

🍇 Le Grand Défi : Deviner l'avenir de la grappe sans la toucher

Imaginez que vous êtes un vigneron. Votre objectif est de produire le meilleur vin possible. Pour cela, vous devez surveiller deux choses cruciales :

1. La forme de la grappe (est-elle serrée comme un poing ou lâche comme un bouquet de fleurs ?).
2. La qualité du jus (est-il trop acide ? Trop sucré ?).

Le problème, c'est que pour mesurer tout cela précisément, il faut souvent couper la grappe, la peser, la broyer et analyser le jus en laboratoire. C'est long, destructif (on tue la grappe !) et impossible à faire sur des milliers de vignes.

La solution proposée par les chercheurs ? Utiliser la "magie" de la lumière.

🔦 L'Analogie de la "Lampe Magique"

Les chercheurs ont utilisé un appareil spécial qui agit comme une lampe magique très puissante. Au lieu de voir juste la couleur verte ou rouge de la vigne, cette lampe voit des milliers de couleurs invisibles à l'œil nu (des infrarouges, des ultraviolets, etc.).

Quand la lumière rebondit sur une feuille ou une grappe de raisin, elle revient avec une "signature" unique, comme une empreinte digitale. Cette signature raconte l'histoire de la plante : son état de santé, sa teneur en eau, ses sucres, etc.

🍃 Le Grand Duel : La Feuille vs La Grappe

L'idée reçue, c'est que si vous voulez connaître le goût du raisin, vous devriez regarder... le raisin. Mais les scientifiques se sont demandé : "Et si on regardait la feuille à la place ? La feuille est le moteur de la plante, elle ne pourrait-elle pas nous dire ce qui se passe dans la grappe ?"

Pour tester cela, ils ont comparé deux stratégies sur deux types de raisins célèbres (le Riesling et le Pinot) :

1. L'approche "Feuille" : On scanne les feuilles séchées.
2. L'approche "Grappe" : On scanne directement les grappes.

Le verdict surprise ?

• Pour deviner la taille des grains et le nombre de grains dans une grappe, la grappe elle-même est la meilleure source d'information. C'est comme essayer de deviner la taille d'un gâteau en regardant la farine (la feuille) : c'est possible, mais regarder le gâteau (la grappe) est beaucoup plus précis !
• Pour deviner le pH (l'acidité chimique), curieusement, la feuille fonctionne parfois mieux. C'est comme si la feuille envoyait un message à distance : "Attention, le sol est riche en potassium, le jus va devenir moins acide !".

🧩 Le Puzzle des Données

Les chercheurs ont aussi joué avec la façon d'organiser leurs données, un peu comme on trie des cartes :

• Option A : On mélange tout (tous les types de grappes ensemble).
• Option B : On trie par type de grappe (serrée, moyenne, lâche).

Ils ont découvert que le tri par type de grappe aidait un peu à mieux prédire certaines choses (comme le nombre de grains), un peu comme si on apprenait à un enfant à reconnaître les chiens en séparant d'abord les petits chiens des grands chiens avant de lui montrer un mélange.

💡 Les Leçons à Retenir (en images)

1. Pas de solution unique : On ne peut pas utiliser la même "lampe" pour tout. Pour connaître la forme du raisin, il faut regarder le raisin. Pour connaître l'acidité, la feuille peut suffire. C'est comme en cuisine : on n'utilise pas le même couteau pour couper du pain et pour éplucher une pomme.
2. Les zones magiques de la lumière : Les chercheurs ont trouvé que certaines couleurs de lumière (surtout le rouge, le bord du rouge et le proche infrarouge) sont les plus bavardes. C'est dans ces zones que la plante "crie" le plus fort ses informations sur sa santé et son goût.
3. L'avenir du vignoble : Grâce à ces découvertes, les vignerons pourront un jour utiliser des drones ou des caméras simples (qui ne coûtent pas cher) pour scanner leurs vignes. Au lieu de couper des grappes pour les tester, ils pourront simplement "photographier" la vigne avec une lumière spéciale et savoir, en quelques secondes, quelle grappe donnera le meilleur vin.

🏁 Conclusion

En résumé, cette étude nous dit que pour prédire l'avenir d'un raisin, il faut choisir le bon "messenger" (la feuille ou la grappe) et utiliser la bonne "langue" (les bonnes couleurs de lumière). C'est un pas de géant vers une viticulture plus intelligente, plus rapide et moins destructive, permettant de sélectionner les meilleures vignes pour nos futurs verres de vin ! 🍷✨

Résumé technique

1. Problématique et Contexte

Le vignoble fait face à des pressions croissantes dues au changement climatique (vagues de chaleur, sécheresses, précipitations irrégulières), qui affectent la productivité et la qualité des raisins. La structure des grappes (architecture) est un trait clé en sélection variétale car elle influence la sensibilité aux maladies (notamment la pourriture grise), la stabilité des rendements et la qualité du jus.
Cependant, la caractérisation de l'architecture des grappes et de la qualité du jus repose actuellement sur des méthodes destructives, laborieuses et à faible débit, ce qui limite leur intégration à grande échelle dans les programmes de sélection. Bien que la phénotypie à haut débit (HTP) et la spectroscopie hyperspectrale offrent des alternatives non destructives, il existe un manque de compréhension sur la manière dont la source du signal spectral (organe végétal spécifique) et les stratégies de partitionnement des données influencent la précision de la prédiction de ces traits complexes.

2. Méthodologie

L'étude a été menée sur deux populations clonales de vignes (Vitis vinifera L.) : 220 clones de Riesling et 240 clones de Pinot (Noir, Blanc, Gris, Précoce) cultivés à l'Université de Geisenheim (Allemagne) lors de la récolte 2024.

Collecte de données :

• Phénotypage 3D : Une grappe par clone a été scannée avec un scanner 3D (Artec 3D Spider) pour extraire des traits architecturaux (nombre de baies, diamètre, volume, poids, dimensions de la grappe).
• Spectroscopie hyperspectrale : Des signatures spectrales (350-2500 nm) ont été collectées sur deux types d'organes :
  • Grappes : Mesurées immédiatement après le scan 3D.
  • Feuilles : Mesurées sur des feuilles sèches (séchées à 60°C) prélevées à la floraison.
• Analyse de la qualité du jus : Les jus ont été analysés par spectroscopie FTIR pour déterminer le pH, les acides organiques (tartrique, malique, acidité totale), les sucres totaux et les composés azotés assimilables (NOPA).

Modélisation et Analyse Statistique :

• Régression des Moindres Carrés Partiels (PLSR) : Utilisée pour modéliser les relations entre les spectres hyperspectraux (variables X) et les traits phénotypiques (variables Y).
• Stratégies de partitionnement des données : Deux approches ont été comparées pour l'entraînement et la validation des modèles :
  1. Par type d'architecture de grappe : Groupement selon la densité (compacte, intermédiaire, lâche).
  2. Par population : Séparation stricte entre Riesling et Pinot.
• Profils spectraux testés : Outre les spectres bruts (feuille sèche, grappe), des matrices synthétiques ont été créées (moyenne, combinaison, pondération 70/30 et 30/70) pour évaluer l'impact de la source spectrale.
• Validation : Les modèles ont été évalués sur un ensemble de validation indépendant (20 % des données) à l'aide du coefficient de détermination ($R^2$), de l'erreur quadratique moyenne (RMSE) et du biais.

3. Résultats Clés

Variation Phénotypique :

• Les grappes compactes présentaient un nombre de baies plus élevé et un volume plus grand.
• Le Riesling avait des grappes plus volumineuses, plus nombreuses en baies et plus grosses que le Pinot, avec une acidité plus élevée et un pH plus bas. Le Pinot présentait des teneurs plus élevées en sucres totaux et en NOPA.

Performance Prédictive par Organe :

• Architecture de grappe : Les modèles basés sur la réflectance des grappes ont systématiquement surpassé ceux basés sur les feuilles sèches pour prédire les traits liés aux baies (nombre de baies, diamètre).
  • Exemple : Prédiction du diamètre de la baie ($R^2 = 0,79$) et du nombre de baies ($R^2 = 0,53$) avec les spectres de grappe.
  • Les traits au niveau de la grappe entière (poids, volume global) étaient plus difficiles à prédire ($R^2 < 0,10$).
• Qualité du jus : Les résultats étaient plus nuancés.
  • Le pH a été mieux prédit avec les spectres de feuilles sèches ($R^2 = 0,63$), suggérant un couplage physiologique entre la feuille et la régulation ionique du fruit.
  • L'acidité totale et les sucres totaux ont montré de bonnes performances avec les spectres de grappe.
  • Les acides malique et tartrique spécifiques sont restés difficiles à prédire avec précision.

Impact du Partitionnement des Données :

• La stratégie de partitionnement (par type de grappe vs par population) a eu un impact modeste par rapport au choix du profil spectral.
• Cependant, le partitionnement par type de grappe a légèrement augmenté la variance des traits et amélioré les prédictions pour certains traits (nombre de baies, diamètre, acidité totale) par rapport au partitionnement par population.

Régions Spectrales Importantes (Scores VIP) :

• Les régions les plus informatives pour la prédiction se situaient dans le visible (VIS), la région du bord rouge (red-edge) et le proche infrarouge (NIR).
• Pour les feuilles sèches, les pics d'importance se situaient dans le VIS et le bord rouge (liés aux pigments et à la structure).
• Pour les grappes, les régions VIS et bord rouge (400-1100 nm) étaient cruciales pour les traits architecturaux, tandis que les bandes d'absorption de l'eau (NIR/SWIR) contribuaient à d'autres traits.

4. Contributions et Signification

Contributions Principales :

1. Spécificité de l'organe : L'étude démontre qu'il n'existe pas de profil spectral universel optimal. La précision de la prédiction dépend fortement de l'adéquation entre l'organe mesuré et le trait cible (ex: spectre de grappe pour la morphologie de la grappe, spectre de feuille pour le pH).
2. Stratégie de modélisation : Elle souligne que le choix du profil spectral est un facteur plus déterminant pour la performance du modèle que la stratégie de partitionnement des données, bien que la diversité des données d'entraînement reste cruciale.
3. Optimisation pour la sélection : Identification de bandes spectrales clés (VIS, bord rouge, NIR) qui pourraient permettre le développement de capteurs multispectraux moins coûteux et plus rapides pour les programmes de sélection.

Signification pour la Sélection Viticole :
Cette recherche fournit une base solide pour le développement de proxies phénotypiques évolutifs. En intégrant des données spectrales spécifiques à l'organe, les sélectionneurs peuvent accélérer la sélection de clones présentant une architecture de grappe favorable (réduction des maladies) et une qualité de jus optimale, sans recourir à des méthodes destructives massives. Cela ouvre la voie à une sélection phénotypique plus précise et efficace pour les cultures pérennes face aux défis climatiques.