Prédiction des épidémies de cercosporiose de la betterave par des approches d’apprentissage automatique.

International audience ; INTRODUCTIONLa cercosporiose constitue une maladie majeure de la betterave avec jusqu’à 30 % de perte de rendement et une baisse de la richesse en sucre de 1 à 2 points, en cas d’épidémie non contrôlée. Ces travaux ont été menés dans le cadre du Projet CERCOCAP : pilotage de la CERcosporiose de la betterave par COuplage entre modèles agro-climatiques et CAPteurs connectés (2020-2023, financement CASDAR, AAP RT) porté par l'ITB, avec comme partenaires l'ACTA et l'université d'Angers. L’objectif de nos travaux était de construire des outils d’aide à la décision prédictifs en valorisant les nombreuses données sur la cercosporiose de la betterave issues des réseaux d’épidémiosurveillance pour le Bulletin de Santé du Végétal et collectées depuis 2009 dans la partie nord de la France, en mobilisant une démarche d’apprentissage automatique (machine learning).Premièrement, nous avons cherché à prédire la date d'apparition des premiers symptômes afin d'avoir des informations sur le début de la saison épidémique en amont (mi-juin). Deuxièmement, nous souhaitions prédire la dynamique épidémique en cours de campagne en prédisant l'évolution de la maladie sur la semaine à venir (J+7) pour mieux piloter la lutte contre la cercosporiose.MATERIELS ET METHODESLe jeu de données collecté dans le cadre du BSV concernant la cercosporiose de la betterave comporte 17359 observations d’incidence de la maladie (% de feuilles atteintes) réparties sur 2349 parcelles et couvrant de manière homogène les 11 années de 2009 à 2020 (année 2017 non disponible). A partir d’une analyse bibliographique (Vallet, 2021) sur l’influence des facteurs sur la cercosporiose et le recueil de l’expertise, nous avons défini différentes indicateurs météorologiques et variables agronomiques à prendre en compte. A partir d’une base de données météorologiques spatialisées (SAFRAN, Météo-France), nous avons calculé différents indicateurs agrégés de manière bimensuelle.Dans la démarche d’apprentissage automatique (ou machine learning), pour ...