Des chercheurs français publient un ensemble de données spectrales sur 14 636 feuilles pour améliorer la détection précoce des maladies mortelles de la vigne

Des chercheurs français ont publié un ensemble complet de données spectrales pluriannuelles visant à améliorer la détection des maladies de la jaunisse de la vigne dans les vignobles de Chardonnay. Le jeu de données, qui couvre les années 2020 à 2024, a été collecté sur le site expérimental du Comité Champagne à Plumecoq et sur une parcelle voisine. Il comprend 14 636 spectres de feuilles de vigne, représentant cinq classes : sain, jaunisse (qui regroupe la Flavescence dorée et le Bois noir), enroulement, esca et décoloration.

Les jaunisses de la vigne sont un groupe de maladies induites par des phytoplasmes qui constituent une menace majeure pour les vignobles du monde entier. En Europe, la Flavescence dorée (FD) et le Bois noir (BN) sont les plus importantes. Ces maladies peuvent provoquer des symptômes graves tels que le jaunissement et l'enroulement des feuilles, une mauvaise lignification des pousses, une maturation incomplète des raisins et, finalement, la mort des vignes. L'impact économique est élevé en raison des mesures de quarantaine obligatoires et de la nécessité de replanter les vignes affectées. La détection précoce est essentielle, car les vignes infectées peuvent propager la maladie pendant au moins un an avant de présenter des symptômes visibles.

Le chardonnay est particulièrement vulnérable à ces maladies. Ses symptômes ressemblent souvent à ceux d'autres maladies comme l'enroulement (une maladie virale), l'Esca (une maladie fongique du bois) et divers types de décoloration liés à des carences en éléments nutritifs ou au stress environnemental. Ce chevauchement rend le diagnostic visuel difficile et laborieux. Des tests de laboratoire tels que la PCR sont généralement nécessaires pour distinguer la FD de la BN, mais ils ne sont pas pratiques pour la surveillance des vignobles à grande échelle.

Pour relever ces défis, l'équipe de recherche a recueilli des données spectrales sur les feuilles chaque année en septembre ou en octobre, pendant la période des vendanges. Les feuilles ont été prélevées dans six zones du site expérimental et dans un vignoble voisin ayant des pratiques de gestion différentes. Pour chaque plante, les feuilles ont été prélevées en position apicale (en haut) et médiane (au milieu). Les échantillons ont été rapidement transportés dans un laboratoire où les spectres ont été enregistrés à l'aide d'un spectromètre LabSpec® 4i ASD équipé d'une sonde de contact. Cette configuration a permis des mesures à haute résolution sur des longueurs d'onde allant de 350 nm à 2500 nm.

L'ensemble des données saisit la variabilité entre les années avec des conditions météorologiques et des traitements phytosanitaires différents. Par exemple, en 2020, le feuillage était très sain ; en 2021, il y a eu de fortes pluies et des résidus visibles de traitements ; en 2022, il a fait chaud et sec et les feuilles présentaient des taches brunes ; en 2023, il y a eu de l'oïdium ; et en 2024, il y a eu du mildiou qui a provoqué des brûlures sur les feuilles.

L'analyse initiale des données comprenait la normalisation L2 des spectres pour corriger les différences de magnitude tout en préservant leur forme. Les spectres moyens ont montré que certaines longueurs d'onde - en particulier autour de 550 nm, 730 nm, 1400 nm, 1900 nm et 2200 nm - peuvent aider à distinguer les classes. Cependant, il reste une similarité spectrale significative entre les classes de jaunisse, d'esca et d'enroulement.

L'analyse en composantes principales (ACP) a été utilisée pour réduire la dimensionnalité des données en vue d'une visualisation et d'une analyse plus poussée. Les trois premières composantes principales représentaient environ 88 % de la variance totale de l'ensemble des données. La PC1 était surtout influencée par les longueurs d'onde associées à la teneur en eau et à la structure cellulaire ; la PC2 capturait les changements liés aux pigments comme la chlorophylle ; la PC3 mettait en évidence des variations plus subtiles qui pourraient être importantes pour détecter des symptômes à un stade précoce ou une décoloration localisée.

Malgré ces résultats, les projections PCA ont montré un chevauchement considérable entre les classes, confirmant qu'il est difficile de les distinguer en se basant uniquement sur des caractéristiques spectrales linéaires. Cela souligne la nécessité d'utiliser des algorithmes plus avancés ou des méthodes de sélection des caractéristiques pour améliorer la précision de la classification.

L'ensemble des données est accessible au public dans le dépôt de Recherche Data Gouv (DOI : 10.57745/KPNOJL). Il comprend non seulement les mesures spectrales, mais aussi des métadonnées sur l'année, la zone, la position des feuilles et les étiquettes de classe. Pour favoriser la reproductibilité et la poursuite des recherches, un code Python dans un carnet Jupyter est fourni sur GitHub (https://github.com/zsr1997/Scientific-Data). Ce code permet aux utilisateurs d'accéder aux données, de les visualiser et de les analyser.

La publication de cet ensemble de données devrait accélérer la recherche sur les méthodes de détection automatique des maladies de la vigne à l'aide de l'analyse spectrale. En fournissant des données collectées dans diverses conditions environnementales sur plusieurs années, il offre une base solide pour le développement de modèles moins sensibles à la variabilité annuelle ou aux pratiques viticoles locales.

À l'avenir, les chercheurs prévoient d'élargir cette ressource en y ajoutant des images multispectrales acquises dans des conditions contrôlées sur les mêmes sites. L'intégration d'informations spatiales aux données spectrales pourrait permettre d'améliorer encore les modèles de détection des maladies en saisissant à la fois les changements biochimiques dans les feuilles et leur distribution spatiale sur les plantes.

Cette initiative reflète l'intérêt croissant pour les outils d'agriculture de précision qui peuvent aider les exploitants de vignobles à détecter les maladies plus tôt et avec plus de précision que ne le permettent les inspections visuelles traditionnelles. Grâce au libre accès aux données et aux outils d'analyse, les chercheurs du monde entier peuvent contribuer à l'élaboration de solutions évolutives pour protéger les vignobles contre des maladies dévastatrices telles que la Flavescence dorée et le Bois noir.