Jardi’Alertes et Modèles prédictifs : Comment ça marche ?

Platform.Garden fournit des valeurs calculées grâce à des modèles prédictifs issus de la recherche pour certaines maladies des espaces verts dont principalement les maladies des gazons, pour l’instant : Dollar spot (Smith et al., 2018) et Fusariose froide.

Ces modèles prédictifs sont issus de recherches effectuées dans des laboratoires américains. Ils ont été testés plusieurs années par les acteurs de l’Agref (Association Française des Personnels d’Entretien de Terrains de Golf) et sont actuellement mis à disposition au sein de l’application Platform.Garden. La validation d’un modèle prédictif nécessite une confrontation aux données de terrain, d’où le développement du système des Jardi’Alertes qui nous permettent de tester les modèles prédictifs afin de nous assurer du pourcentage de risque de la maladie concernée sur un site particulier. 

Les modèles prédictifs sont calculés pour plus de 600 sites sur le territoire métropolitain français et sont accessibles au niveau des valeurs affichées dans le PortailPro. 

Les bases de données générées par Platform.Garden nous permettent d’effectuer des analyses de correspondance entre les data collectées (Jardi’Alert) et les data calculées. Ce type d’analyse nous montre, comme par exemple dans le graphique ci-dessous, une bonne correspondance entre les déclarations d’observation de la maladie et les valeurs calculées des modèles prédictifs. 

Ce graphique montre l’ensemble des Jardi’Alertes Dollar spot (bleu) et Fusariose froide (rouge) effectuées sur le territoire métropolitain français entre octobre 2020 et octobre 2022. 

Nous pouvons constater sur ce graphique la saisonnalité bien marquée des déclarations Dollar spot et Fusariose froide, ce qui nous conforte dans la validité des calculs des modèles prédictifs. 

Nous avons remarqué que certaines déclarations JA (Jardi’Alerte) en début de saison sont présentes malgré un score prévisionnel du modèle prédictif inférieur à 20%*. Il est à noter que la plupart de ces JA présentes alors que le score prédictif semble faible sont géolocalisés dans la partie sud du territoire métropolitain français. Des informations complémentaires sur ces JA sont en cours d’acquisition envers les auteurs de ces JA afin de déterminer la localisation précise des JA (comme par exemple un site particulièrement humide) ainsi que l’historique de traitement fongicide du site concerné par ce JA. De nombreuses raisons peuvent influencer l’apparition des symptômes des maladies et les JA permettront de cerner les conditions favorables aux champignons afin de réguler leur effet néfaste sur les plantes. 

Des analyses complémentaires sont en cours sur ces sujets par l’équipe Platform.Garden en collaboration avec l’Agref et autres acteurs du Paysage. 

Le nombre de JA actuellement présent dans nos bases de données est en croissance permanente mais ne permet pas encore d’effectuer des statistiques fortes qui apporteraient des indications précises sur l’évolution des maladies des espaces verts. Nous envisageons également la mise à disposition de modèles prédictifs « génériques » basés sur les travaux de Magarey (Isard et al., 2015; Magarey et al., 2005) et Bregaglio (Bregaglio & Donatelli, 2015) et l’utilisation d’un indice très important dans le développement des maladies des plantes : le LWD (Leaf Wetness Duration (Rowlandson et al., 2015)) qui représente l’humectation foliaire. Nos résultats de modèles « génériques » Dollar spot et Fusariose froide sont très encourageants car ils montrent une correspondance générale avec les modèles spécifiques que nous utilisons actuellement. Les premiers modèles « génériques » que nous envisageons de tester sont les modèles Sclerotium rolfsii (Sclerotium blight) et Pyricularia oryzae (Pyriculariose – Gray Leaf Spot). 

* Dans l’article de Smith et al (2018), il est recommandé de traiter par fongicide dès que le score du modèle prédictif atteint 20%, d’où la prise en compte de cette valeur-seuil. Cette valeur a été retenue dans le cadre de mesures/observations dans des conditions de programme de recherche (donc semi-contrôlées), ce qui n’est pas le cas pour nos observations. Par ailleurs, le développement du modèle prédictif par Smith et collaborateurs avait pour but précis de trouver une valeur-seuil pour traitement fongicide alors que nous envisageons des traitements de biocontrôle. Par ailleurs, notre modèle prédictif est basé sur un risque de 0 à 100% alors que le modèle de Smith et coll est basé sur des valeurs de 0 à 40%. 

Références bibliographiques : 

Bregaglio, S., & Donatelli, M. (2015). A set of software components for the simulation of plant airborne diseases. Environmental Modelling and Software, 72, 426–444. https://doi.org/10.1016/j.envsoft.2015.05.011 

Isard, S. A., Russo, J. M., Magarey, R. D., Golod, J., & VanKirk, J. R. (2015). Integrated pest Information Platform for Extension and Education (iPiPE): Progress through sharing. Journal of Integrated Pest Management, 6(1). https://doi.org/10.1093/jipm/pmv013 

Magarey, R. D., Sutton, T. B., & Thayer, C. L. (2005). A simple generic infection model for foliar fungal plant pathogens. Phytopathology, 95(1), 92–100. https://doi.org/10.1094/PHYTO-95-0092 

Rowlandson, T., Gleason, M., Sentelhas, P., Gillespie, T., Thomas, C., & Hornbuckle, B. (2015). Reconsidering leaf wetness duration determination for plant disease management. Plant Disease, 99(3), 310–319. https://doi.org/10.1094/PDIS-05-14-0529-FE 

Smith, D. L., Kerns, J. P., Walker, N. R., Payne, A. F., Horvath, B., Inguagiato, J. C., Kaminski, J. E., Tomaso-Peterson, M., & Koch, P. L. (2018). Development and validation of a weather-based warning system to advise fungicide applications to control dollar spot on turfgrass. PLoS ONE, 13(3). https://doi.org/10.1371/journal.pone.0194216