Les modèles prévisionnels de la fusariose de l’épi sont nombreux et ne pouvaient pas tous être évalués sous les conditions de culture du Québec. Les modèles sélectionnés sont différents par leur type (empirique ou épidémiologique), par leur climat ou leur région d’origine (Europe, Amérique du Nord et Amérique du Sud) et par les paramètres et les périodes utilisés pour les prédictions de fusariose de l’épi. La figure 2 montre un résumé des périodes et des paramètres étudiés par les modèles sélectionnés dans le cadre du projet. Les flèches doubles montrent l’étendue de la période considérée par chacun des modèles en relation soit avec le début de l’épiaison (Z51), l’épiaison (Z58) ou la floraison du blé (Z65).
Quatre modèles américains sont à l’étude, dont deux n’utilisant que des conditions météorologiques avant l’anthèse (De Wolf et coll. 2003; Molineros 2007). Un modèle argentin analyse la période du début de l’épiaison jusqu’à l’accumulation de 550 degrés-jours, ce qui correspond à environ 15 jours après l’épiaison au Québec (Moschini et coll. 2001). Les modèles italiens de prédictions de toxines et d’infection couvrent la période de l’épiaison jusqu’à la récolte du blé (Rossi et coll. 2003). Finalement, deux modèles canadiens intègrent les conditions météorologiques à l’intérieur de périodes de durées variables qui sont distribuées de façon discontinue. Elles commencent sept jours avant l’épiaison et vont jusqu’à 34 jours après (Hooker et coll. 2002; Schaafsma et Hooker 2007). Le tableau 2 contient les équations mathématiques utilisées par chacun des modèles prévisionnels à l’étude. Les prochaines sections décriront plus en détail les modèles prévisionnels illustrés à la figure 2 et au tableau 2.
Tableau 2 - Équations et seuils de décision des modèles prévisionnels étudiés
Modèle Équation Seuil de
décision
De Wolf I P = -8,2175 + 8,4358*T15307 + 4,7319*DPPT7 P ≥ 0,50
De Wolf II P = -3,7251 + 10.5097*INT3 P ≥ 0,44
De Wolf III P = -3,3756 + 6,8128*TRH9010 P ≥ 0,36
Molineros P = -16,9369 + 0,23839*H1 - 1,5442* Sensibilité cvar P ≥ 0,50
Moschini IP = 18,34 + 4,12*NP12 - 0,45*DD1030 n.d.
Rossi FHB_risk = SPO x DIS x INF x stade blé FHB_tox = INF x stade blé x INV
FHB_risk: n.d. FHB_tox: n.d.
Hooker
1. DON = exp[-0,3 +1 ,84*RAINA – 0,43(RAINA)2 0,56*Tmin] – 0,1
2. Si RAINB > 0 : DON = exp[-2,15 + 2,21*RAINA -0,61*(RAINA)2 + 0,85*RAINB +
0,52*RAINC – 0,30*Tmin – 1,10*Tmax] – 0,1
Si RAINB = 0 : DON = exp(-0,84+0,78*RAINA + 0,40*RAINC – 0,42*Tmin) -0,1
DON > 2ppm
DONcast® n.d. DON > 1ppm
Légende des modèles De Wolf
P : Probabilité critique prédite
TRH9010: Durée (h) de 15 °C ≤ T ≤ 30 °C et HR ≥ 90 % dans les 10 jours suivant l'anthèse T15307: Durée (h) de 15 °C ≤ T ≤ 30 °C dans les 7 jours précédant l'anthèse
DPPT7: Durée (h) des précipitations dans les 7 jours précédant l'anthèse INT3: T15307 * TRH9010
Légende du modèle Molineros
H1 : Humidité relative moyenne des 7 jours précédant l’anthèse
Légende du modèle Moschini
IP : Incidence prédite (%)
NP12: Total du nombre de NP2 + Total du nombre de jours où les précipitations ≥ 0,2 mm et HR > 83 % NP2: nombre de périodes de 2 jours avec précipitations ≥ 0,2 mm avec une HR > 81 % le premier jour et HR > 78 % le 2e jour
DD1030=Sommation quotidienne [(T°max) - 30) + (10 - T°min)] T°max: Température journalière maximale > 30 °C
T°min: Température journalière maximale < 10 °C n.d. : non disponible
Légende des modèles Rossi
FHB_risk : Risque d’infection quotidien
FHB_tox : Risque d’accumulation de mycotoxines SPO : Taux de sporulation
DIS : Taux de dispersion INF : Taux d’infection INV : Taux d’invasion
Stade blé : Poids empirique donné au stade phénologique du blé, le poids maximum étant à la floraison. n.d. : non disponible
Légende du modèle Hooker
DON : Teneur en DON
RAINA : nombre de jours où la pluie > 5 mm (4 à 7 jours avant l'épiaison)
RAINB : nombre de jours où la pluie > 3 mm (3 à 6 jours après l’épiaison) RAINC : nombre de jours où la pluie > 3 mm (7 à 10 jours après l’épiaison)
Tmin : nombre de jours où la température minimale était < 10 °C (4 à 7 jours avant l'épiaison) Tmax : nombre de jours où la température maximale était > 32 °C (4 à 7 jours avant l'épiaison)
2.2.4.1 Modèles américains
De Wolf et coll. (2003) I, II et III (2003)
De Wolf et coll. (2003) ont élaboré dix modèles empiriques à partir de données météorologiques de 50 années-stations dans le Midwest des États-Unis avec des champs de blé de printemps et d'automne. Le climat de cette région varie entre les catégories semi-aride (à l’ouest) et continental humide (à l’est) (Peel et coll. 2007). Les modèles sont élaborés autour d’un stade critique : l’anthèse (stade Z65) (De Wolf et coll. 2003).
Dans un premier temps, 25 variables météorologiques ont été retenues, mais seulement les trois plus significatives ont été utilisées pour les modèles (Tableau 2). Les deux premières sont mesurées dans les sept jours précédant l’anthèse : le nombre d’heures où la température se trouve entre 15 et 30 °C (variable #1) et la durée (en heures) des précipitations (variable #2). La troisième est mesurée dans les dix jours suivant l’anthèse : le nombre d’heures où la température se trouve entre 15 et 30 °C et que l’humidité relative est supérieure à 90 % (variable #3) (De Wolf et coll. 2003).
Trois des dix modèles élaborés ont ensuite été retenus pour être plus étudiés (tableau 2). Le modèle III n’utilise que la variable 3 et le modèle II utilise l’interaction entre les variables 2 et 3 pour prédire les risques de la maladie. De Wolf et coll. (2003) ont évalué l’efficacité de ces deux modèles à 84 % dans tous les types de prédictions. Le modèle I a également été conservé, malgré son efficacité moindre (70 %), étant donné qu’il n’utilisait que les données météorologiques avant l’anthèse (variables 1 et 2). Son efficacité moindre peut être due au fait que des conditions météorologiques propices à la fusariose peuvent avoir lieu pendant l'anthèse et ne sont donc pas intégrées dans ce dernier modèle (De Wolf et coll. 2003).
Un champ est considéré épidémique quand il y a plus de 10 % d’épillets fusariés et que la probabilité critique prédite est atteinte ou dépassée. Les valeurs des seuils de probabilités critiques pour les modèles I, II et III sont respectivement de 0,50, 0,44 et 0,36. Toutefois, lorsque les épillets fusariés sont à plus ou moins 2 % du seuil de 10 %, les modèles sont moins efficaces pour produire des prévisions justes (De Wolf et coll. 2003). Prandini et coll. (2009) ont jugé que ces modèles empiriques étaient d’une faible efficacité en comparaison avec ceux développés en Argentine, au Canada et en Europe.
Molineros (2007)
Dans le cadre de sa thèse de doctorat, Molineros (2007) a produit plusieurs modèles prévisionnels de la fusariose de l’épi qui sont des versions améliorées de la publication de De Wolf et coll. (2003). Le modèle a été élaboré à partir d’un jeu de données d’environ 150 échantillons provenant principalement des états du Dakota du Sud, du Dakota du Nord et du Minnesota avec le même climat que les modèles de De Wolf et coll. (2003). De plus, il utilise 10 % de sévérité, ou 10 % d’épillets fusariés, pour classer un champ comme épidémie et le seuil de probabilité critique prédite est fixé à 0,50.
Le modèle pour le blé de printemps de 2005, obtenu lors de la phase 2 de leur processus de modélisation, a été retenu pour être évalué sous les conditions de culture du Québec parce qu’il démontre des paramètres d’une grande simplicité. De plus, le modèle utilise les conditions météorologiques des sept jours avant l’anthèse pour évaluer les risques de fusariose de l’épi (Molineros 2007). L’utilisation de données supplémentaires dans le processus de modélisation a montré que les conditions avant la floraison du blé étaient plus déterminantes pour prédire l’intensité de la fusariose de l’épi que celles qui ont lieu pendant cette dernière (Prandini et coll. 2009). Cependant, Molineros (2007) n’utilise pas les mêmes variables que dans le modèle I de De Wolf et coll. (2003). En effet, il ne considère que l’humidité relative moyenne des sept jours avant l’anthèse et la sensibilité du cultivar de blé à la fusariose de l’épi (tableau 2). L’analyse des prédictions a également permis de déterminer le seuil d’humidité relative moyen nécessaire à une épidémie. Il est de 70 % pour un cultivar très sensible à la fusariose (Molineros 2007). De plus, dans le processus de modélisation, les
variables associées à la température se sont avérées non limitantes dans les jeux de données étudiés et ont donc été retirés du modèle de 2005.
L’efficacité du modèle de 2005 est évaluée à 78 % par Molineros (2007). Plus précisément, sa sensibilité est de 86 % et sa spécificité de 69 %. Il s’agit du modèle le plus efficace qui a été évalué dans les deux premières phases de modélisation. Par la suite, Molineros (2007) a procédé à l’analyse des erreurs pour améliorer la performance du modèle. Les épisodes de sécheresse et d’humidité dans la période entre 15 et 21 jours avant l’anthèse ont expliqué certaines erreurs et ont été utilisés pour élaborer un facteur de correction. Ce dernier entre dans l’équation du modèle de 2005 pour augmenter les risques de fusariose de l’épi lors d’un scénario humide. Celui-ci est caractérisé par des précipitations ≥ 26 mm combinées à une durée de plus de 45 heures d’humidité relative ≥ 90 % pendant la période de 15 à 21 jours avant la floraison. Cette correction permet d’augmenter l’efficacité du modèle de 2005 d’environ 10 % (Molineros 2007).
2.2.4.2 Modèles argentins
Moschini et coll. (2001)
Les observations de 1978 à 1990 sur les essais régionaux argentins ont été utilisées pour trouver des corrélations entre les données météorologiques et l'incidence de la fusariose de l'épi du blé. Dans le modèle empirique argentin, l’incidence de la fusariose varie en fonction des périodes de deux jours où les précipitations, combinées à l’humidité relative de l’air, favorisent l’infection (Tableau 2). Les observations commencent huit jours avant l’épiaison (Z51) et se terminent après l’accumulation de 550 degrés-jours (Figure 2). Ainsi, le modèle conçu en 1996 explique 86 % des variations de l'incidence (Tableau 1) de la maladie et est simple à interpréter (Moschini et Fortugno 1996). Cependant, la faiblesse de l’approche argentine est la spécificité annuelle et locale des prédictions (Prandini et coll. 2009).
En 2001, Moschini et coll. ont réussi à diminuer cette spécificité en adaptant le modèle autant pour les régions du nord de l’Argentine que pour les régions plus au sud. Ainsi, le modèle de 1996 qui s’adaptait à un climat océanique chaud à subtropical humide a pu être utilisé en 2001 dans une région de climat océanique tempéré, donc plus fraîche que la première (Peel et coll. 2007). Les seuils de température utilisés dans les équations du modèle ont été modifiés, passant de 12 à 10 °C pour la température minimale et de 26 à 30 °C pour la température maximale quotidienne. De plus, le nombre de degrés-jours accumulés a été augmenté à 550 (au lieu de 530). Le modèle s’adapte mieux aux conditions d’infection des régions plus froides d’Argentine et fournit des prévisions qui s’approchent plus de la réalité du pays (Moschini et coll. 2001).
2.2.4.3 Modèles canadiens
Hooker et coll. (2002)
Le modèle empirique de Hooker et coll. (2002) permet de prédire la teneur en DON dans les grains de blé. Il a été élaboré à partir de l’échantillonnage de grains à la récolte de 399 champs commerciaux de blé d’automne en Ontario entre 1996 et 2000. Les champs ont été choisis au hasard avant la récolte et le DON a été mesuré dans chacun des échantillons. Les conditions météorologiques ont été enregistrées grâce aux stations gouvernementales les plus rapprochées de chacun des champs (Hooker et coll. 2002). Ce modèle a été élaboré dans une région au climat continental tempéré et humide (Peel et coll. 2007).
Pour faire ses prévisions, le modèle est basé sur trois équations reliées à la date d’épiaison des champs de blé et aux conditions de température et d’humidité (Tableau 2). La première équation est influencée par les conditions météorologiques qui ont lieu avant l’épiaison. De cette façon, elle mesure le potentiel de production d’inoculum par les agents pathogènes causant la fusariose, plus précisément dans les quatre à sept jours avant l’épiaison (Figure 2). Les deuxième et la troisième équations s’appuient sur les précipitations prévues pour les trois à six jours suivant l’épiaison, mais utilisent les informations jusqu’à dix jours après ce stade critique (Tableau 2). Cette période inclut le stade du blé le plus susceptible à l’infection, c’est-à-dire l’anthèse. Dans tous les cas, la date de l’épiaison doit être estimée avec le plus de précision possible, car les prévisions faites par le modèle reposent entièrement sur elle (Hooker et coll. 2002).
À l’aide du modèle, Hooker et coll. (2002) ont pu prédire avec une précision de 73 % les teneurs en DON des échantillons. Les prédictions sont particulièrement précises pour les échantillons ayant une teneur en DON se situant entre 1 et 2 ppm. Pour des taux supérieurs à 2 ppm, le modèle ne peut fournir des prévisions aussi exactes. C’est pourquoi le seuil critique a été fixé à 2 ppm (Hooker et coll. 2002). Il s’agit d’un seuil cohérent pour les producteurs de blé d’alimentation humaine, car il s’agit du seuil maximal accepté pour ce type de culture (Agence canadienne d’inspection des aliments 2012). Selon Prandini et coll. (2009), la principale faiblesse du modèle canadien est de ne pas considérer la rotation de cultures, la variété de blé utilisée et le type de travail du sol.
DONcast®
Ce modèle, développé par Weather Innovation Inc. (Chatham, Ontario), est élaboré à partir de celui de Hooker et coll. (2002). Il prédit le taux de DON dans les grains à la récolte en fonction de la date d’épiaison du champ (Z58) et des conditions météorologiques qui prévalent dans les jours entourant ce stade (Figure 2). Depuis 1996, en plus d’avoir été validé en Ontario avec les données de 750 fermes, on a réussi à le calibrer dans l’Ouest canadien, aux États-Unis, en France et en Uruguay (Schaafsma et Hooker 2007). De plus, ce modèle
a été adapté aux conditions de printemps hâtif de la République Tchèque (Ván ová et coll. 2009). La grande variabilité des jeux de données qui ont servi à la validation de DONcast® fait gage de la robustesse du modèle. Il est l’un des seuls modèles de prédiction de la teneur en DON dans la récolte de blé à avoir été publié et commercialisé à l’échelle internationale (Klem et coll. 2007).
Le modèle DONCast® fait des prédictions champ par champ, c’est pourquoi il est essentiel de connaître leur historique. Le cultivar, la rotation et le type de travail du sol influencent la réponse donnée par le modèle. Il produit aussi des cartes régionales. Le modèle peut prédire une teneur en DON au-dessus ou en-dessous du seuil critique de 1 ppm dans 80 à 85 % des cas (Schaafsma et Hooker 2007). Son efficacité est grandement influencée par la précision des prévisions météorologiques, comme tous les autres modèles. Son succès prouve que les teneurs en mycotoxines dans les grains à la récolte peuvent être prédites avec des résultats satisfaisants grâce à un modèle simple qui utilise des données météorologiques et agronomiques facilement disponibles (Schaafsma et Hooker 2007). Cependant, la quantité d’informations demandées est un frein pour certains producteurs et le défi est de garder leur confiance en DONcast® pour qu’ils continuent à l’utiliser dans leur régie de culture (Schaafsma et Hooker 2007).
2.2.4.4 Modèles italiens
Rossi et coll. (2003)
Ce modèle épidémiologique a été élaboré au nord de l’Italie à partir d’expériences exécutées en chambres de croissance et en champs. Le climat de cette région est de type océanique chaud à subtropical humide (Peel et coll. 2007). À partir des résultats obtenus, des équations mathématiques ont été trouvées et ont pu corréler l’influence des conditions météorologiques et celle des caractéristiques de l’hôte, c’est-à-dire le blé, avec l’incidence de la fusariose de l’épi (Rossi et coll. 2003). Le modèle de Rossi et coll. (2003) comprend trois équations principales qui sont toutes reliées à des étapes du cycle épidémiologique de la fusariose de l’épi chez le blé (Tableau 2). Ce modèle est basé sur le développement des quatre pathogènes principaux causant la fusariose de l’épi en Italie (G. avenacea, F. culmorum, G. zeae et M. nivalis). Pour son évaluation sous les conditions de culture du Québec, seulement les paramètres de G. zeae ont été conservés dans les équations. La période observée commence lors de l’épiaison et s’étend jusqu’à la récolte (Figure 2).
La première équation utilisée est celle du taux de sporulation. Celui-ci est principalement influencé par la température. La seconde équation est le calcul du taux de dispersion des spores produites, plus particulièrement celui des macroconidies. Le taux de dispersion est influencé par les précipitations, ce qui explique pourquoi il est calculé à partir de deux régressions : une adaptée aux journées pluvieuses (> 0,2 mm de pluie) et l’autre aux journées non-pluvieuses (< 0,2 mm de pluie). Les régressions incluent aussi les
moyennes des températures journalières, de l'intensité de la pluie et du nombre d'heures où l'humidité relative est supérieure à 80 % (Figure 2). Ainsi, le calcul du taux de dispersion est valable pour prédire les pics de spores dans l’environnement, plutôt que leur nombre absolu dans la culture (Rossi et coll. 2003). Finalement, la troisième équation calcule le taux d'infection de la maladie à partir de la durée de la mouillure du feuillage après l’inoculation et du stade de développement du blé (Rossi et coll. 2003). Ces éléments sont primordiaux pour obtenir des prévisions près de la réalité, car l’infection ne peut avoir lieu que si le blé est au stade de la floraison et que les conditions météorologiques sont favorables à la germination des spores.
Grâce aux différentes régressions, le modèle italien donne deux indices de risque : le risque d’infection et le risque de production de mycotoxines dans les tissus infectés de l’épi (Tableau 2). Le premier indice peut prendre une valeur qui se trouve généralement entre 0 et 2, tandis que le second varie entre 5 et 35. Ces indices sont calculés sur une base journalière et s’accumulent au fil de la saison de croissance.
Le modèle a été validé avec des données prises dans des cultures de blé d’automne différentes de celles utilisées pour son élaboration. La validation des données prédites en comparaison avec les données réelles d’infection et de mycotoxines a fourni des résultats satisfaisants (Tableau 1) (Rossi et coll. 2003). Par contre, l’efficacité de prédiction de concentrations élevées de mycotoxines dans la récolte est plutôt faible (Prandini et coll. 2009).