Une étude dirigée par CABI a développé les premiers modèles de prévision ciblant les stades larvaires de la chenille légionnaire d’automne. En utilisant des données d’observation de la terre en temps réel et l’occurrence de ravageurs dans le champ d’un agriculteur, les modèles aideront à lutter contre le ravageur dévastateur de la chenille légionnaire d’automne (FAW). , qui, rien qu’en Afrique, causerait des pertes de rendement annuelles de 9,4 milliards de dollars américains.
De nouvelles recherches menées par une équipe internationale, dirigée par la chercheuse Alyssa Lowry, ont démontré comment les modèles développés pour les populations larvaires de CLA en Afrique peuvent aider les petits exploitants agricoles à prédire avec plus de précision le meilleur moment pour effectuer une intervention de gestion sur leurs cultures afin de prévenir les dommages. Le ravageur (Spodoptera frugiperda) favorise le maïs mais peut également avoir un impact sur plus de 100 autres espèces végétales.
L’étude, publiée dans la revue Protection des cultures et avec le soutien de collègues de l’Organisation kenyane de recherche sur l’agriculture et l’élevage (KALRO) et l’Institut zambien de recherche agricole (ZARI), a construit deux modèles d’émergence de populations larvaires basés sur des données de champ sur le maïs en Zambie. Les modèles ont ensuite été validés à l’aide de données similaires provenant de plusieurs sites de maïs au Kenya.
Un contrôle efficace de la chenille légionnaire d’automne doit être mis en place à un stade précoce du cycle de culture lorsque les larves peuvent être difficiles à détecter. La fenêtre de temps pendant laquelle les larves à un stade précoce pourraient être contrôlées est assez large, et les modèles aident à définir la fenêtre pendant laquelle une intervention pourrait être effectuée si le ravageur est présent, ou lorsque les activités de surveillance et de dépistage seraient optimales.
La nouvelle modélisation de l’émergence et du développement des populations larvaires aux stades précoces et ultérieurs – en relation avec le temps physiologique à partir de la plantation – permet désormais d’envoyer des alertes aux agriculteurs avant un moment d’intervention / de dépistage, permettant aux agriculteurs de prendre des mesures préventives dans le cadre de leur stratégie intégrée. Plans de lutte antiparasitaire.
Lowry et ses collègues soulignent comment cette modélisation a déjà porté ses fruits dans le cadre du service d’information sur les risques phytosanitaires (PRISE) dirigé par CABI, qui fournit des alertes en temps réel – via la messagerie SMS – aux agriculteurs pour les conseiller quand agir pour protéger leurs cultures contre les ravageurs. .
À la fin de la courte saison des pluies 2019/2020 au Kenya, par exemple, une enquête distincte a révélé que 59 % des agriculteurs – qui ont reçu le service de prévision – ont changé leurs pratiques pour faire face à la légionnaire d’automne.
Les interventions de PRISE, basées sur la modélisation des données d’observation de la Terre mises en évidence par la recherche CABI, ont en outre entraîné une réduction de la population de légionnaire d’automne et une augmentation de la récolte de maïs. En effet, 87 % des producteurs de maïs interrogés dans le cadre d’une étude distincte estimaient que le délai recommandé pour agir par PRIZE était correct.
L’analyse des données d’impact récentes de PRIZE montre un retour sur investissement de 1:182. Cela signifie que les 1,8 million d’agriculteurs touchés par PRISE – au cours des cinq années écoulées depuis le lancement du projet en 2017 – ont gagné 1,5 milliard de livres sterling supplémentaires en valeur de production.
Le Dr Sean T Murphy, l’un des principaux architectes du projet PRIZE et chef de l’équipe de modélisation, a déclaré : « Il est impératif de développer des stratégies et des outils efficaces de lutte antiparasitaire contre la légionnaire d’automne, tels que les modèles simples et réalisables présentés dans cette étude. Bien que développés pour l’initiative PRIZE, les modèles FAW pourraient être utilisés dans les autres systèmes de prévision des ravageurs qui ont accès à des ensembles de données de température en temps réel continus et la capacité de les traiter. »
Lowry ajoute que « les modèles n’obligent pas les agriculteurs à estimer directement les seuils d’action et peuvent être facilement améliorés à l’avenir lorsque les données sur les seuils d’action seront disponibles pour l’Afrique. Comme le résultat de ces modèles est un temps d’action, ils peuvent être utilisés en conjonction avec une variété de méthodes de contrôle telles que les biopesticides ou pour le moment de la libération de parasitoïdes larvaires locaux ou exotiques spécifiques à un stade.
« Le type de modélisation utilisé dans cette étude peut facilement être appliqué à d’autres insectes ravageurs majeurs des cultures paysannes en Afrique et les travaux sont déjà bien avancés sur plusieurs autres espèces dans le cadre du projet PRIZE. L’équipe espère que les modèles pourront contribuer à une ‘positive’ changement par étapes » du système national de protection des végétaux en Afrique. »
Emmanuel Bakirdjian, directeur régional pour l’Afrique, Precision Development (PxD), partenaire de la recherche, a déclaré que « puisque l’infestation de ravageurs est facilement visible pour les agriculteurs au Kenya, ils ont tout intérêt à recevoir des informations exploitables sur la lutte antiparasitaire ». -Le service INFO finit souvent par appliquer des pesticides trop tôt, ce qui entraîne une infestation plus importante plus tard, ou trop tard, ce qui signifie que les ravageurs sont plus résistants et ont causé plus de dégâts.
« Grâce à notre partenariat avec CABI, les informations de PRIZE ont aidé près de 100 000 agriculteurs du service MoA-INFO géré par PxD à savoir quand les pesticides sont les plus susceptibles d’être efficaces. Cela a aidé les agriculteurs à récupérer davantage de cultures infestées par des ravageurs. et pour éviter une application excessive de pesticides, ce qui réduit les risques pour la santé humaine et les dommages causés à d’autres organismes importants de l’écosystème local. »
Alyssa Lowry et al, Optimiser le calendrier des interventions de gestion contre la chenille légionnaire d’automne dans le maïs des petits exploitants africains : modéliser le modèle d’émergence et de développement de la population larvaire, Protection des cultures (2022). DOI : 10.1016/j.cropro.2022.105966
Fourni par CABI