Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
Cette étude démontre que l'intégration de phénotypes multispectraux longitudinaux dérivés de drones dans des modèles de régression aléatoire permet de capturer efficacement l'hétérogénéité spatiale dans les essais de sélection de la luzerne, améliorant ainsi la précision et la reproductibilité des évaluations génétiques par rapport aux méthodes conventionnelles de correction spatiale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les agriculteurs et les sélectionneurs de plantes savent depuis longtemps qu'un champ n'est jamais parfaitement uniforme. Même dans une seule parcelle de terre, le sol peut être plus riche dans un coin, l'eau peut s'drainer différemment dans un autre, et la température peut varier légèrement d'une rangée à l'autre. Cette irrégularité, connue sous le nom d'hétérogénéité spatiale, crée une couche de bruit qui peut masquer le véritable potentiel des plantes cultivées. Lorsque les sélectionneurs tentent de choisir les meilleures semences pour la génération suivante, ce bruit environnemental peut faire passer une plante médiocre pour une championne, ou une plante supérieure pour une plante faible. Pour remédier à cela, les scientifiques se sont traditionnellement appuyés sur des méthodes statistiques qui supposent que les conditions du sol changent de manière graduelle et prévisible d'une plante à l'autre, tout comme la température pourrait chuter lorsque l'on s'éloigne d'un radiateur. Cependant, ces anciennes méthodes échouent souvent à saisir les modèles complexes et changeants du monde réel, surtout lorsqu'elles ne regardent que la récolte finale.
Une nouvelle approche change la façon dont les chercheurs perçoivent ce problème en utilisant les plantes elles-mêmes comme des capteurs. Au lieu de deviner comment l'environnement varie, les scientifiques observent désormais la façon dont les plantes y réagissent au fil du temps. En faisant voler des drones équipés de caméras spéciales au-dessus des champs, les chercheurs peuvent capturer des images détaillées des cultures tout au long de la saison de croissance. Ces images révèlent comment les plantes poussent, à quel point elles sont vertes et comment elles réagissent aux conditions spécifiques de leur environnement immédiat. Ce flux continu de données permet aux scientifiques de cartographier les variations cachées du champ avec une précision bien plus grande que jamais, séparant la véritable qualité génétique d'une plante de la chance liée à l'endroit où elle a été plantée.
Dans une étude récente axée sur la luzerne, une culture fourragère vitale, des chercheurs ont cherché à tester si cette méthode consistant à observer les plantes au fil du temps pouvait améliorer la précision des programmes de sélection. L'équipe, dirigée par des scientifiques de l'Université Cornell, de l'Université d'État du Nouveau-Mexique et de l'Université de Virginia Tech, a mené des essais dans deux régions très différentes : les champs arides et vastes du Nouveau-Mexique et les parcelles plus compactes et variées de New York. Ils ont cultivé des centaines de variétés de luzerne différentes et les ont suivies de près durant les saisons de croissance 2022 et 2023. À l'aide de drones, ils ont survolé les champs environ une fois par semaine, capturant des images multispectrales qui mesuraient la lumière réfléchie par les plantes. À partir de ces images, ils ont calculé des indices de végétation, qui sont des valeurs numériques indiquant la santé et la densité de la canopée verte. Parmi les différents types de mesures, un indice qui reposait sur la lumière verte plutôt que sur la lumière rouge s'est avéré être l'indicateur le plus fiable de la santé et du rendement futur des plantes.
Le cœur de l'étude consistait en un processus en deux étapes pour donner un sens à cette masse énorme de données. Premièrement, les chercheurs ont utilisé une technique statistique appelée régression aléatoire pour analyser les images hebdomadaires des drones. Cette méthode leur a permis de modéliser la façon dont chaque parcelle de terrain spécifique changeait au fil du temps, capturant les conditions environnementales uniques et persistantes qui affectaient cet endroit précis. Ils ont traité ces influences environnementales à long terme comme un « effet environnemental permanent », une façon de quantifier les avantages ou les inconvénients spécifiques d'une parcelle dus à son sol ou à son microclimat, indépendamment de la génétique de la plante. Dans la seconde étape, ils ont utilisé ces effets environnementaux calculés pour ajuster les évaluations génétiques finales des variétés de luzerne.
Les résultats ont montré que cette nouvelle méthode était nettement meilleure pour identifier les véritables gagnants génétiques que les approches traditionnelles. Dans les grands essais du Nouveau-Mexique, où les conditions du sol variaient largement à travers le champ, la nouvelle méthode a amélioré la cohérence des prédictions génétiques de deux à trois fois par rapport aux méthodes standards. Elle a réussi à éliminer le bruit causé par l'irrégularité du champ, révélant le véritable potentiel des plantes. Même dans les essais de New York, où les champs étaient plus uniformes et le bruit spatial plus faible, la nouvelle méthode a performé aussi bien, voire mieux, que les techniques conventionnelles. De manière cruciale, les chercheurs ont constaté que les modèles de variation environnementale qu'ils avaient détectés avec les drones correspondaient aux cartes de rendement réelles des champs, confirmant que les drones capturaient bien des différences physiques réelles dans le sol et la disponibilité de l'eau.
Cette étude démontre que les plantes elles-mêmes, lorsqu'elles sont observées de près au fil du temps, peuvent dire exactement où le champ est en difficulté et où il prospère. En utilisant cette information pour corriger les données de sélection, les scientifiques peuvent prendre des décisions plus précises sur les semences à conserver pour l'avenir. Cette approche ne nécessite pas de nouveaux équipements coûteux ni de changements complexes dans la gestion actuelle des champs par les agriculteurs ; elle consiste simplement à utiliser les données qui sont déjà collectées par les drones modernes de manière plus intelligente. Les conclusions suggèrent qu'à mesure que l'agriculture de haute technologie se généralise, la capacité d'apprendre de l'histoire continue de la croissance d'une plante deviendra un outil standard pour améliorer les rendements agricoles et garantir que les meilleures génétiques soient sélectionnées, quel que soit le terrain inégal sur lequel elles poussent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.