Le miscanthus est l’une des cultures pérennes les plus prometteuses pour la production de bioénergie car il est capable de produire des rendements élevés avec une faible empreinte environnementale. Cette herbe polyvalente a un grand potentiel pour être encore plus performante, car beaucoup moins d’efforts ont été déployés pour l’améliorer par la sélection par rapport aux cultures de base établies telles que le maïs ou le soja.
Cependant, la sélection doit devenir plus rapide et plus efficace si elle veut atteindre le potentiel de production de biomasse durable et résiliente du miscanthus. Un goulot d’étranglement clé dans le processus est la capacité de mesurer la croissance de milliers de variétés de la culture dans le champ et de sélectionner le petit nombre de variétés qui donnent les meilleurs résultats. Cela nécessite de nouvelles technologies sophistiquées pour capturer les données et les analyser.
Une étude menée par des chercheurs du Center for Advanced Bioenergy and Bioproducts Innovation (CABBI) a démontré comment les véhicules aériens sans pilote (UAV ou drones) combinés à des méthodes d’apprentissage automatique de pointe peuvent aider à la sélection des meilleurs génotypes candidats dans les programmes de sélection de miscanthus. L’équipe a utilisé des réseaux neuronaux – des systèmes informatiques modélisés sur le cerveau et le système nerveux humains – pour analyser des images aériennes à très haute résolution et identifier les principales caractéristiques du miscanthus pendant la saison de croissance de la culture.
En particulier, les chercheurs du CABBI ont souligné que l’utilisation de réseaux de neurones conçus pour analyser des données en trois dimensions (deux dimensions dans l’espace, plus le temps) permettait de meilleures estimations des caractéristiques des cultures (temps de floraison, hauteur et production de biomasse) que les réseaux de neurones traditionnels. qui analysent les données en seulement deux dimensions dans l’espace. Cela leur a permis de tirer parti des informations sur l’évolution de chacune des milliers de plantes sur le terrain au fil du temps. De plus, le réseau neuronal tridimensionnel s’est avéré capable d’effectuer automatiquement des aspects du processus d’analyse d’image (c’est-à-dire, trouver des plantes dans l’image) qui, dans de nombreux autres cas, nécessite une intervention manuelle importante qui ralentirait le processus.
Ceci est particulièrement important pour les graminées vivaces hautement productives telles que le miscanthus, où le phénotypage sur le terrain est plus difficile et plus gratifiant.
L’étude, publiée dans Télédétection, a été dirigé par le chercheur postdoctoral Sebastian Varela au CABBI, un centre de recherche sur la bioénergie financé par le département américain de l’énergie ; Andrew Leakey, directeur du CABBI, professeur et chef du département de biologie végétale et professeur à l’Institut Carl R. Woese de biologie génomique (IGB), au département des sciences des cultures et au centre d’agriculture numérique de l’Université de l’Illinois Urbana- champagne; et Erik Sacks, responsable adjoint du thème de CABBI pour la production de matières premières et professeur de sciences des cultures et IGB à l’Illinois.
Il s’agissait de la première tentative d’utilisation de la surveillance intensive en données de grandes populations génétiquement diverses de miscanthus à l’aide de technologies numériques. Pour leur évaluation, les chercheurs ont utilisé des drones pour capturer des images haute résolution des cultures 10 fois pendant la saison de croissance, ainsi que des données au sol pour des milliers de génotypes de miscanthus, afin de déterminer leur période de floraison, leur hauteur et leur rendement en biomasse. L’imagerie combine la photogrammétrie, qui fournit des modèles de surface numériques, et la technologie de détection multispectrale qui peut obtenir des images non visibles à l’œil humain.
« Il s’agit d’une étape passionnante vers le développement d’applications numériques qui peuvent faciliter la sélection des meilleurs génotypes candidats pour une fraction du coût du dépistage manuel traditionnel », a déclaré Leakey. « Ce n’est qu’une étape clé dans le travail plus large que CABBI fait pour fournir la compréhension scientifique et les avancées technologiques nécessaires pour faire de la bioénergie bénéfique et rentable pour l’environnement une réalité pour le centre des États-Unis »
Dit Sacks : « Nos méthodes standard pour mesurer les caractéristiques du miscanthus, comme le rendement et la hauteur, prennent beaucoup de temps et de travail, mais ces nouvelles méthodes d’imagerie sont plus rapides et beaucoup moins coûteuses. Avec les nouvelles méthodes, nous pouvons évaluer de plus grandes populations de miscanthus pour le même prix – et cela nous permettra de sélectionner plus rapidement de meilleures lignées et cultivars. »
Les co-auteurs de l’étude comprenaient un doctorat. l’étudiant Xuying Zheng, le premier cycle Dylan P. Allen et le technicien de recherche Jeremy Ruhter, tous avec CABBI et Crop Sciences ; et doctorat. Joyce N. Njuguna, étudiante en sciences des cultures.
Plus d’information:
Sebastian Varela et al, Deep Convolutional Neural Networks Exploit High-Spatial- and -Temporal-Resolution Aerial Imagery to Phenotype Key Traits in Miscanthus, Télédétection (2022). DOI : 10.3390/rs14215333