Les producteurs savent que la récolte du coton au bon moment – ​​lorsque les feuilles tombent et que les capsules de coton éclatent – ​​garantit une qualité et un rendement élevés. Un nouveau modèle d’apprentissage automatique qui suit le vieillissement des plantes au fil du temps peut les aider à déterminer le bon moment pour la récolte.

Deux images en haut de la figure montrent un champ de coton et une capsule au début de la saison de croissance. Les feuilles sont vertes et la capsule est immature et seulement partiellement ouverte. Deux images en bas de la figure montrent un champ de coton et une capsule à la fin de la saison de croissance. Les plantes sont brunes et sans feuilles, et la capsule est mature. La capsule est ouverte, a une apparence sèche et les fibres de coton sont blanches et duveteuses.
Figure 1 : Capsule de coton immature et plantes (en haut), capsule de coton mature et plantes prêtes à être récoltées (en bas).

La sénescence du coton, comme celle de la plupart des plantes, suit une séquence prévisible d'événements. Cependant, le moment de la sénescence est influencé par divers facteurs, notamment le génotype, les conditions environnementales et les pratiques de gestion. Différents génotypes présentent des taux de sénescence variables, ce qui peut affecter la rapidité avec laquelle les plantes mûrissent. Les stress environnementaux tels que les températures extrêmes, la sécheresse et les carences en nutriments peuvent accélérer la sénescence. Les pratiques de gestion telles que l'irrigation, la fertilisation et la taille peuvent atténuer les effets du stress, contribuant ainsi à optimiser le processus de sénescence.

En analysant les données de sénescence, les producteurs peuvent choisir les génotypes et les stratégies de gestion les plus adaptés pour améliorer le rendement du coton et la qualité de la fibre. Ces informations sont également précieuses pour les obtenteurs de variétés qui souhaitent développer des cultivars plus résistants.

La collecte de ces données est difficile en raison de la longue période de maturation du coton, qui peut s'étendre sur plusieurs semaines, voire plusieurs mois. L'observation des plantes à des intervalles isolés ne permet pas d'offrir une vue complète de leur processus de sénescence. La collecte continue de données est donc essentielle pour une compréhension plus précise. Cependant, les méthodes traditionnelles sont souvent chronophages et exigeantes en main-d'œuvre, et reposent généralement sur des outils portatifs pour mesurer la teneur en chlorophylle.

Récemment, le phénotypage à haut débit a gagné en importance en raison des progrès rapides des technologies de plateformes et de capteurs, ainsi que des méthodologies d’analyse de données. Des drones équipés de divers capteurs survolent les champs agricoles pour collecter de grands volumes d’images haute résolution. Cependant, des problèmes tels qu’un éclairage inégal et des variations spatiales peuvent introduire des erreurs aléatoires et des informations non pertinentes, obscurcissant les modèles et les informations importantes dans l’ensemble de données. Les réseaux neuronaux convolutionnels (CNN), un type de modèle d’apprentissage profond utilisé pour le traitement et l’analyse des images, peuvent aider à relever ces défis. Par exemple, ils peuvent être utilisés pour détecter la matière végétale de base par rapport au sol et distinguer les modèles de pigmentation.

Un nouveau document publié en in silico Plants montre comment les méthodes d'apprentissage profond peuvent relever ces défis. Aaron DeSalvio, doctorant, et ses collègues de l'Université Texas A&M a développé le premier CNN conçu pour l'analyse de la sénescence d'une plante unique au fil du temps en utilisant des images aériennes d'une culture cultivée en plein champ.

DeSalvio a expliqué l’importance de recueillir des données à partir de plantes individuelles. « Le phénotypage est généralement effectué au niveau de la parcelle. En suivant l’évolution de plantes individuelles plutôt que d’une parcelle, la puissance statistique augmente alors que la taille du champ de recherche reste la même. De plus, les chercheurs peuvent essayer d’identifier les variétés qui présentent plus (ou moins) d’uniformité dans leurs phénotypes au cours de la saison de croissance en suivant les répliques d’une seule plante de la même variété. »

Les auteurs ont cultivé des génotypes de coton présentant différents taux de sénescence et ont capturé des images à l'aide d'une caméra montée sur un drone tout au long de la saison de croissance. Actuellement, la référence absolue pour quantifier la sénescence à partir de ce type d'images implique des évaluations visuelles de sénescence. Des évaluations de 0 % (complètement verte) à 100 % (complètement morte) ont été attribuées manuellement aux images de chaque plante, un processus qui prend beaucoup de temps.

Pour résoudre ce problème, les auteurs ont développé des modèles CNN capables de quantifier la sénescence aussi efficacement que les évaluations visuelles. Les modèles CNN ont été formés à l'aide de valeurs dérivées des évaluations visuelles de sénescence et des indices de végétation. Les indices de végétation sont des valeurs quantitatives indiquant la progression de la sénescence calculées à l'aide de mesures d'intensité de couleur dans les images. Vous pouvez en savoir plus sur l'utilisation des indices de végétation obtenus par télédétection ici.

Les auteurs ont utilisé une méthode innovante pour analyser des images de séries chronologiques, facilitant l’analyse temporelle : en empilant les images de plantes individuelles capturées à différents moments avant de les introduire dans le CNN.

« Cette méthode a permis aux CNN d’intégrer la dynamique temporelle dans leur formation et leur analyse. Cela signifie que tous les points temporels appartenant à une même plante pouvaient être évalués par le modèle simultanément, ce qui lui permettait de détecter des différences dans la progression de la sénescence entre les plantes, et pas seulement des différences à des moments isolés de la saison. »

Six modèles CNN ont été développés à partir de diverses données d'entraînement. Parmi ceux-ci, deux ont réussi à prédire avec une grande fiabilité les indices de sénescence visuelle et les valeurs d'indice de végétation à partir des images empilées. De plus, les modèles ont capturé la manière dont différents génotypes vieillissent au cours de la saison de croissance (voir figure 2). Cela démontre que le modèle peut être utilisé à l'avenir pour identifier de nouveaux facteurs génétiques qui influencent la sénescence au sein d'une population génétiquement diversifiée.

Une figure avec deux panneaux. À gauche se trouvent les génotypes présentant une sénescence rapide, et à droite, les génotypes qui restent verts. Les deux panneaux montrent un graphique avec le temps en jours après la transplantation sur l'axe des X et le score de sénescence prédit sur l'axe des Y. Ils montrent également chacun 4 images de vols de drones qui décrivent leurs trajectoires de sénescence. La plupart des réplicats des 3 génotypes présentant une sénescence rapide atteignent le score de sénescence prédit maximal de 5 après 110 jours. Ce score correspond à une sénescence complète. D'autre part, les scores de sénescence de la plupart des réplicats des trois génotypes qui restent verts culminent vers 120 jours avec des scores de sénescence allant de zéro à trois. De plus, la plupart présentent une baisse du score de sénescence, ou verdissement, après le pic. Les images des génotypes à sénescence rapide suivent une progression des plantes vertes vers les plantes brunes tandis que les génotypes qui restent verts restent verts.
Figure 2 : Le modèle a pu capturer les différences dans les trajectoires de sénescence entre deux génotypes (en haut). Exemples d'images de séries chronologiques de vols de drones montrant les trajectoires de sénescence des deux génotypes (en bas).

DeSalvio conclut : « Alors que les exigences en matière d’identification et de sélection de cultures résilientes s’intensifient, les programmes de sélection ont besoin d’outils évolutifs pour collecter des données sur les variétés qui dépassent les mesures de fin de saison. Des méthodes telles que le modèle CNN décrit ici peuvent analyser et classer les plantes en fonction de leurs trajectoires de vie, permettant ainsi de sélectionner des variétés dont les trajectoires de développement sont adaptées à des environnements spécifiques.

LIRE L'ARTICLE:

Aaron J DeSalvio, Alper Adak, Mustafa A Arik, Nicholas R Shepard, Serina M DeSalvio, Seth C Murray, Oriana García-Ramos, Himabindhu Badavath, David M Stelly, Les sandwichs d'images temporelles permettent de créer un lien entre l'analyse des données fonctionnelles et l'apprentissage profond pour la sénescence du coton sur une seule plante, in silico Plants, Volume 6, Numéro 2, 2024, diae019, https://doi.org/10.1093/insilicoplants/diae019