R8Y2IF4T

2156

28 octobre 2020 12:25

5 janvier 2021 15:04

Les nématodes parasites des plantes sont généralement des agents pathogènes du sol qui attaquent les plantes et causent des pertes économiques dans de nombreuses cultures. Les plantes infestées présentent des symptômes non spécifiques ou, souvent, sont asymptomatiques; par conséquent, le diagnostic est effectué en prélevant des échantillons de sol et de tissu racinaire. Ici, nous montrons qu'une combinaison de différents algorithmes d'analyse spectrale infrarouge et d'apprentissage automatique peut être utilisée pour détecter les infestations de nématodes parasites des plantes avant que les symptômes ne deviennent visibles, en utilisant des feuilles au lieu des racines et du sol comme échantillons. Nous avons constaté que les plants de tomates et de goyaves infestés par Meloidogyne enterorlobii produisaient des modèles spectraux différents par rapport aux plants non infestés. En utilisant des spectres partiels de 1 450 à 900 / cm comme "région d'empreinte digitale", les analyses en composantes principales ont indiqué qu'après 5 (tomates) ou 8 semaines (goyave), les plantes sans symptômes visibles d'infestations ont été diagnostiquées positivement. Pour améliorer la réponse de détection précoce, nous avons utilisé la modélisation d'apprentissage automatique. Une machine à vecteurs de support (SVM) a été utilisée pour obtenir des modèles plus robustes et plus précis. Le modèle SVM contenait 34 vecteurs de support, 17 pour chaque niveau. La performance globale du modèle était> 97% et la précision totale était significativement plus élevée, démontrant l'absence de prédiction fortuite. La meilleure prédiction de l'infestation a été obtenue aux deuxième et quatrième semaines pour les tomates et les goyaves, respectivement, réduisant de moitié le temps de diagnostic. L'application combinée de ces techniques réduit le temps de traitement du champ au laboratoire et présente d'énormes avantages en évitant l'échantillonnage des racines et du sol.

Plant parasitic nematodes are generally soilborne pathogens that attack plants and cause economic losses in many crops. The infested plants show nonspecific symptoms or, often, are symptomless; therefore, diagnosis is performed by taking soil and root tissue samples. Here, we show that a combination of different infrared spectra analysis and machine learning algorithms can be used to detect plant parasitic nematode infestations before symptoms become visible, using leaves instead of roots and soil as samples. We found that tomato and guava plants infested with Meloidogyne enterorlobii produced different spectral patterns compared to uninfested plants. Using partial spectra from 1,450 to 900/cm as the "fingerprint region", principal component analyses indicated that after 5 (tomatoes) or 8 weeks (guava), plants with no visible symptoms of infestations were positively diagnosed. To improve the early detection response, we used machine learning modelling. A support vector machine (SVM) was used to obtain more robust, accurate models. The SVM model contained 34 support vectors, 17 for each level. The overall performance of the model was >97% and the total accuracy was significantly higher, demonstrating the absence of chance prediction. The best prediction of infestation was obtained at the second and fourth weeks for tomatoes and guavas, respectively, reducing the diagnostic time by half. The combined application of these techniques reduces the processing time from field to laboratory and shows enormous advantages by avoiding root and soil sampling.

None

• AB - Utile à l'AB
• FREDO lutte
• détection
• infra-red
• nématode
• ravageur

Plant Pathology

69

01/08/2020

1 août 2020