Moteur de recherche Veille sanitaire internationale

Face à la résistance croissante deSpodoptera frugiperda aux insecticides chimiques et aux variétés de maïs Bt, une souche autolimitante (OX5382G) a été développée pour supprimer les populations de ce ravageur et préserver l’efficacité des cultures transgéniques. Les essais en milieu confiné et en plein champ au Brésil ont confirmé que les mâles OX5382G se dispersent et s’accouplent aussi efficacement que les souches sauvages, avec des taux de lâcher modestes suffisant pour une suppression durable des populations et une gestion de la résistance. Ces résultats positionnent cette approche comme une solution prometteuse pour prolonger la viabilité des cultures Bt et renforcer la lutte intégrée contre ce lépidoptère ravageur.

Cette étude montre qu’en Chine subtropicale, les coupes rases appliquées contre le flétrissement du pin réduisent fortement la diversité et restructurent les communautés d’insectes, avec un effondrement des prédateurs et parasitoïdes, au profit d’espèces tolérantes aux perturbations. La diversité reste élevée dans les forêts non exploitées, où dominent des espèces spécialistes comme la famille des Libellulidae. La couverture végétale et la litière sont des facteurs clés du maintien de la biodiversité. L’étude recommande une gestion forestière de rétention (≥30 % de canopée, 20–30 m³/ha de bois mort) pour concilier lutte sanitaire et conservation écologique.

Voici une revue sur les approches et technologies disponibles en matière de diagnostic des bactéries phytopathogènes. Elle aborde notamment les progrès de la spectroscopie optique, en particulier de la spectroscopie micro-Raman qui permet une identification rapide et non invasive des bactéries viables mais non cultivables. Elle met également en évidence certains besoins comme la création d’une base de données spectroscopiques plus complète, et des progrès à faire avec les technologies émergentes telles que le séquençage d'une seule cellule et la biologie synthétique pour aider à identifier des agents pathogènes jusqu’alors inconnus.

Dans cette étude les auteurs ont développé un système de prévision hebdomadaire des infestations de chenille Spodoptera frugiperda dans le maïs en combinant comptages de pièges à phéromones et données climatiques. Parmi trois modèles testés (INGARCHX, SVRX, ANNX), le réseau de neurones artificiels (ANNX) a montré des performances supérieures, prédisant les pics de population avec une précision d’environ 80 % une semaine à l’avance. Ces prévisions fournissent un outil fiable d’alerte précoce vis à vis de la légionnaire d’automne permettant des interventions précoces et ciblées pour réduire les pertes de rendement et soutenir des stratégies agricoles durables.

Spodoptera frugiperda est un ravageur polyphage dévastateur qui achève son cycle sur le maïs, le blé, la pomme de terre et le ricin, mais ses performances varient fortement selon l’hôte. D’après cette étude, sur maïs, elle affiche une fécondité record (2 497 œufs/femelle), un développement plus rapide et une croissance démographique optimale, tandis que sur blé, ses performances chutent (675 œufs/femelle), soulignant l’importance de cibler tous les hôtes potentiels pour une lutte intégrée efficace.

Des hybrides d’agrumes tolérants au Huanglongbing (HLB) ont été développés en intégrant la génétique des citrons verts (limes) australiens via croisements traditionnels et fusion de protoplastes. Ces hybrides, utilisés comme porte-greffes, ont montré une meilleure croissance et des charges bactériennes significativement plus faibles que le porte-greffe classique Swingle, après deux ans. Les analyses biochimiques des feuilles ont révélé des modifications importantes dans le contenu en chlorophylle, amidon, composés phénoliques et flavonoïdes. Ces résultats prometteurs ouvrent la voie à une gestion durable du HLB grâce à ces porte-greffes tolérants en production agrumicole commerciale.

Dans cette étude les auteurs ont développé un système de prévision hebdomadaire des infestations de chenille Spodoptera frugiperda dans le maïs en combinant comptages de pièges à phéromones et données climatiques. Parmi trois modèles testés (INGARCHX, SVRX, ANNX), le réseau de neurones artificiels (ANNX) a montré des performances supérieures, prédisant les pics de population avec une précision d’environ 80 % une semaine à l’avance. Ces prévisions fournissent un outil fiable d’alerte précoce vis à vis de la légionnaire d’automne permettant des interventions précoces et ciblées pour réduire les pertes de rendement et soutenir des stratégies agricoles durables.

Cette étude propose un cadre intelligent pour la détection précoce des maladies foliaires dans les systèmes de cultures intercalaires, combinant imagerie hyperspectrale et modèles hybrides d’apprentissage profond. L’approche utilise l’algorithme SSO pour segmenter les zones malades, un réseau PANet pour extraire des caractéristiques fines, et l’optimisation DSKO pour gérer les données de grande dimension, avec une classification finale via un R-DCNN. Testée sur des ensembles de données maïs-soja et pois-concombre, la méthode a atteint des précisions de 99,676 % et 99,538 %, démontrant son efficacité comme outil non invasif pour l’agriculture intelligente et durable.

Une analyse comparative a confirmé que YOLO-Citrus offre une meilleure détection des maladies des feuilles d'agrumes dans des environnements agricoles complexes que d'autres modèles. Les résultats expérimentaux démontrent que YOLO-Citrus atteint 96,6 % mAP@0,5, ce qui représente une amélioration de 1,4 point de pourcentage par rapport à la valeur de référence de YOLOv11 (95,2 %). De plus, il atteint 81,6 % mAP@0,5:0,95, soit une amélioration de 1,3 point de pourcentage par rapport à la valeur de référence de 80,3 %. Le modèle optimisé offre des gains d'efficacité considérables, avec une taille de modèle réduite de 25,0 %, de 19,2 Mo à 14,4 Mo, et un coût de calcul réduit de 20,2 %, de 21,3 à 17,0 GFlops.

Cette étude propose un cadre complet de classification de la gravité du mildiou de la vigne, basé sur l’analyse automatisée des lésions foliaires. Un modèle de réseau de neurones convolutifs (CNN) amélioré par attention coordonnée permet une détection précise des lésions. Une méthode innovante K-Means++–CNN–Vote segmente et classe les zones infectées, corrigeant les formes irrégulières et contours flous. Un modèle d’inversion adaxiale–abaxiale prédit les lésions sur la face inférieure des feuilles à partir d’images supérieures. Le système atteint 84,6 % de précision et 89,3 % en segmentation, offrant une solution légère et efficace pour la détection et la gestion ciblée du mildiou.

Cette étude présente VitiForge, une nouvelle plateforme de génération d’images synthétiques procédurales destinée à améliorer la détection précoce des maladies de la vigne. Contrairement aux modèles CNN entraînés sur des bases comme PlantVillage, souvent inefficaces en conditions réelles, VitiForge crée des textures réalistes de feuilles (saines, Black Rot, Esca, Leaf Blight) pour pallier le manque et le déséquilibre des données. Comparé aux approches basées sur les GANs, VitiForge améliore nettement les performances en situation de faible disponibilité de données et reste compétitif sur des images de terrain. L’étude souligne la complémentarité entre données procédurales et GANs pour développer des modèles robustes et généralisables en viticulture de précision.

Les insectes ravageurs causent chaque année 20 à 40 % de pertes agricoles mondiales, entraînant une surutilisation des pesticides. L'intégration de la télédétection dans la lutte intégrée contre les ravageurs offre une alternative efficace et économique. Cette revue systématique de 103 études (2014–2024) montre une croissance continue de l’utilisation de la télédétection, notamment via MODIS, Landsat 7/8 et Sentinel-2. Les États-Unis et la Chine dominent la recherche, tandis que l’Afrique et l’Amérique du Sud restent sous-représentées, malgré une forte vulnérabilité. L’étude souligne l’importance d’élargir la recherche, en particulier en Afrique subsaharienne.