Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Les maladies subies par les plantes agricoles sont la source de grandes pertes économiques au
niveau mondial. De plus, les moyens mis en oeuvre pour lutter contre ces maladies en agriculture conventionnelle sont loin d'être optimaux pour la biodiversité. C'est pourquoi il est essentiel de pouvoir détecter ces maladies efficacement, et ce le plus tôt possible affin de pouvoir les traiter en limitant les pertes et les impacts environnementaux.
Parmi les nouvelles technologies de détection de maladie, les réseaux de capteurs chimiques,
plus communément appelés "nez électroniques", ne sont pas encore utilisés en champ. Or, l'une
des premières réactions d'une plante une fois infestée est l'émission de composés organiques
volatils (COV) pouvant être capté s et analysés par ces réseaux de capteurs.
La présente étude a été réalisée en deux phases. Une première phase en laboratoire s'est attachée à confirmer les connaissances sur les émissions en COV des plantes soumises à un stress, ainsi que de confirmer la capacité des capteurs à photo -ionisation (PID) à mesurer des COV émis par les plantes. La deuxième phase concerne la mise en place d'un nez électronique, ainsi que d' une méthodologie d'échantillonnage d'air provenant de l'environnement de plantes saines et d'autres infectées par fusarium spp, permettant de tester la capacité de discrimination du réseau de capteurs. Cette capacité a été testée via la mise en place d'analyses en composantes principales sur les données traitées de différentes manières ; ces mêmes données ont permis la production des modèles discriminants de type PLS-DA et Neural Network. En plus de l'état phytosanitaire, les discriminations entre deux variétés, ainsi qu'entre deux temps d'isolation permettant à l'air environnant les plantes de se concentrer en COV, ont été testées.
La première phase a permis de se rendre compte de l'importance de contrôler les conditions
pendant les tests en laboratoire comme le taux de CO2 mais surtout la lumière. Elle a aussi
mis en évidence la difficulté de travailler avec les COV. Ceux-ci ayant des sources multiples et
souvent plus importantes que les plantes elles-mêmes, la contamination de l'enceinte par des
COV extérieurs est vite arrivée. Néanmoins, il a pu être mis en évidence que le PID utilisé est
capable de détecter les différences de concentrations d'émissions par des plantes stressées ou non.
Durant la deuxième phase, le réseau de capteurs a été capable de différencier les "blancs",
échantillons d'air prélevés en amont du vent et ne contenant donc pas de COV émis par le
champ, des échantillons proprement dits, provenant de l'air environnant les plantes et ayant
été concentré pendant deux ou quatre heures grâce à la mise en place d'un isolement d'air
autour d'une plante. En revanche, la différenciation entre les échantillons provenant de plantes
saines et d'autres de plantes infectées n'a pas été très concluante. En effet, les modèles produits
présentent un taux de précision de maximum 67 %.
En conclusion, cette technologie qu'est le réseau de capteurs chimiques est une bonne piste
à développer dans le futur pour l'évaluation phytosanitaire d'une culture. Néanmoins, il reste
à vériffier la possibilité de les améliorer pour augmenter leur capacité à différencier à un niveau
de précision suffisant les mélanges gazeux induits par la maladie et ceux émis par la plante
en temps normal. Pour ce faire, il faut continuer les recherches en améliorant la méthodologie
de prélèvement des échantillons. Dans ce cadre, une identiffication des molécules composant les
différents airs (blanc, sain, infesté, infesté et concentré) est une bonne piste. Des tests à base
d'air non concentré constituent une étape ultérieure vers une potentielle mise en place d'un nez
électronique analysant directement l'air en champ.

COV --- réseau de capteurs --- nez électronique --- froment d'hiver --- Tricticum aestivum --- odeurs --- composé organique volatil --- surveillance phytosanitaire --- VOC --- chimical sensors array --- electronic nose --- e-nose --- winter wheat --- Tricticum aestivum --- volatil organic compound --- plant monitoring --- Sciences du vivant > Agriculture & agronomie