Un programme de sélection végétale doit trier des milliers de candidats avant de retenir une poignée de variétés commercialisables. L'intelligence artificielle et l'analyse de données massives accélèrent ce tri, remplaçant des semaines de lecture manuelle par quelques jours de calcul. Le gain de vitesse ne dispense toutefois pas de la validation au champ, seule étape qui confirme ce que les modèles se contentent de suggérer.
Un tri qui prenait des semaines se joue désormais en quelques jours
Chaque année, un programme de sélection végétale traite plusieurs milliers de parcelles d'essai, un travail dont l'analyse manuelle prenait auparavant plusieurs semaines. Ce que les instituts de recherche appellent l'intelligence artificielle appliquée à l'agriculture consiste précisément à confier ce tri à des modèles de calcul entraînés sur les données de terrain. Le résultat se mesure désormais en jours. Ce basculement change la vitesse à laquelle une variété nouvelle atteint le champ, sans garantir à elle seule sa qualité.
Des essais qui généraient plus de données que de temps pour les lire
Un essai variétal moderne ne se limite plus à un carnet de notes. Il combine désormais capteurs installés au sol, drones survolant les parcelles et relevés manuels, avec pour résultat des volumes de mesures qu'un tableur ne suffit plus à croiser. Le phénotypage, soit la mesure systématique des caractéristiques observables d'une plante (sa hauteur, son rendement, sa résistance à un stress donné), est au cœur de cette évolution.
Le CIRAD et Wageningen University & Research comptent parmi les organismes qui ont construit de telles plateformes, notamment le centre NPEC (Netherlands Plant Eco-phenotyping Centre) à Wageningen, capable d'analyser des milliers de plants au cours d'une seule expérience grâce à des capteurs installés en chambre climatique. Le volume dépasse vite ce qu'une équipe peut lire à la main.
Il en résulte des bases de données que seuls des outils de calcul automatisé permettent d'exploiter dans des délais compatibles avec un calendrier de sélection, celui-ci imposant de sélectionner un nombre restreint de candidats avant la saison suivante.
L'image comme outil de diagnostic avant même l'apparition des symptômes
Une caméra multispectrale capte des longueurs d'onde invisibles à l'œil humain, notamment dans le proche infrarouge, et révèle des signatures de stress hydrique ou de maladie avant que la feuille ne change visiblement de couleur. Des travaux publiés sur la détection des maladies des plantes par drone en agriculture de précision suggèrent que ces cartes de stress permettent de cibler une intervention avant que le pathogène ne gagne l'ensemble de la parcelle.
Le mécanisme reste relativement simple à décrire. Un modèle d'apprentissage automatique, cette famille de programmes qui apprend des régularités à partir d'exemples plutôt que de règles écrites à l'avance, est entraîné sur des milliers d'images de feuilles annotées par des agronomes. La fiabilité du diagnostic dépend cependant directement de la diversité des images utilisées pour construire ce catalogue de symptômes, un point qui pèsera sur les limites du système.
Comparer les variétés sans attendre une saison complète
Une variété se juge rarement sur un seul critère. Le rendement compte, mais la résistance aux maladies, la précocité de floraison ou la tolérance au manque d'eau pèsent tout autant dans la décision de multiplier une lignée plutôt qu'une autre.
L'analyse assistée par les données change ce rapport. L'analyse manuelle, parcelle par parcelle, porte généralement sur un nombre restreint de critères observés l'un après l'autre, tandis que l'analyse assistée par les données permet d'en croiser un nombre nettement plus large, au même moment et sur l'ensemble de l'essai.
L'analyse de données complète des techniques plus traditionnelles de sélection et de multiplication, comme celles utilisées dans certains programmes de recherche appliquée sur l'hévéa, où la production de micro-boutures vise notamment des arbres plus résistants au vent et aux maladies. Les deux approches ne s'opposent pas. Elles se combinent selon les filières, les cultures et les moyens dont dispose chaque programme.
Repérer plus vite les plantes qui résistent à la sécheresse ou aux parasites
La sélection de variétés plus résistantes découle directement du croisement entre deux types de données, les mesures de terrain et les marqueurs génétiques, ces derniers étant de courtes séquences d'ADN statistiquement associées à un caractère observable. Un modèle statistique compare des milliers de plants pour repérer quelles combinaisons de marqueurs reviennent chez les individus les plus résistants, avant même que la génération suivante ne soit semée.
En viticulture, l'Institut Français de la Vigne et du Vin et l'INRAE conduisent, à travers une douzaine de programmes régionaux, des travaux de création variétale visant des vignes résistantes au mildiou et à l'oïdium. Ces deux maladies fongiques comptent parmi les principales causes de traitements phytosanitaires dans le vignoble français, ce qui explique l'intérêt porté à ces recherches. Mais ce calcul a ses limites.
Ce que les modèles ne voient pas quand les données sont pauvres
Un modèle de détection ou de sélection reproduit fidèlement les biais de l'échantillon sur lequel il a appris, si bien qu'une variété peu représentée dans une base d'images sera reconnue avec moins de fiabilité qu'une variété abondamment photographiée. Un climat absent des données de départ risque, de son côté, de fausser une prédiction censée s'appliquer à une nouvelle région.
Reste à savoir si ces modèles parviennent réellement à généraliser au-delà des conditions dans lesquelles ils ont été entraînés, notamment lorsqu'une zone climatique évolue plus vite que les bases de données ne se renouvellent. Le gain de vitesse, lui, n'est pas contestable sur les tâches où les données sont abondantes. La dépendance à la qualité de ces données reste, selon les cas, le point faible que chaque programme doit gérer à sa manière.
Un modèle mal nourri en données produit des résultats trompeurs avec la même assurance qu'un modèle fiable. C'est précisément ce qui justifie l'étape suivante.
Le chercheur reste celui qui pose la question et valide la réponse
Un modèle signale des corrélations, sans en expliquer la cause. Il ne dit pas pourquoi une combinaison de facteurs se répète, seulement qu'elle se répète. L'interprétation agronomique, pourquoi telle variété résiste, dans quel type de sol, sous quel régime de pluie, reste un travail humain que l'algorithme ne fait pas à sa place.
Valider au champ les candidats présélectionnés par calcul, sur plusieurs saisons et plusieurs sites, avant toute décision de diffusion, reste la pratique recommandée en sélection variétale. Cette étape de terrain confirme ou infirme ce que le modèle avait seulement suggéré.
Le modèle ne remplace pas l'expertise agronomique, il la débarrasse d'une partie du tri préliminaire.
Ce qui va se jouer dans les prochaines campagnes d'essais
Les grands instituts publics et les organismes disposant de moyens de calcul importants ont ouvert la voie, mais la question qui reste posée concerne les programmes de sélection plus modestes, ceux qui n'ont ni les capteurs ni les équipes de traitement de données des grandes structures. Leur capacité à s'approprier ces outils, ou à en rester à l'écart, dessinera dans les prochaines campagnes d'essais une partie de la géographie de la recherche végétale à venir.
Sources
- Plateau de phénotypage ARCADIA, AGAP Institut, CIRAD
- High-throughput phenotyping for faster plant breeding, Wageningen University & Research
- Plant disease detection using drones in precision agriculture, Precision Agriculture
- Création variétale, Institut Français de la Vigne et du Vin
- Recherche et développement, Socfin
