Moteur de recherche Veille sanitaire internationale

Premier signalement du virus de l’enroulement des feuilles de la tomate de New Delhi (ToLCNDV, Begomovirus solanumdelhiense) responsable de la maladie de la mosaïque du manguier en Inde, dans l’État du Karnataka.

En Afrique du Sud (province du Limpopo), cette étude montre que les infestations de Spodoptera frugiperda ont réduit les rendements, diminué la diversité des cultures, et alourdi les charges financières des agriculteurs, menaçant directement la sécurité alimentaire des ménages ruraux. L’étude révèle aussi des impacts psychologiques (anxiété, détresse) chez les producteurs, tout en soulignant l’inefficacité des méthodes chimiques actuelles et l’urgence d’une intervention publique pour renforcer la résilience des systèmes agricoles. Ces résultats appellent à des stratégies intégrées de gestion des ravageurs, combinant aide immédiate, préparation aux crises et programmes de sécurité alimentaire adaptés.

Habrobracon hebetor est un parasitoïde polyphage de plusieurs larves de lépidoptères. L’étude a évalué son effet de parasitisme sur Spodoptera frugiperda. H. hebetor n’a parasité et pondu que sur les larves de stade 5 et 6 de S. frugiperda, cependant, étant relativement facile à élever en masse, il pourrait être considéré comme un agent de lutte biologique complémentaire potentiel avec d’autres parasitoïdes contre la légionnaire d’automne.

Cette étude a étudié les effets des amplitudes thermiques sur la biologie de T. leucotreta qui sont encore mal compris. En condition contrôlées, le taux intrinsèque d'accroissement naturel (rm) diminuait de 0,135 à 25 °C à 0,086 à 25 ± 12 °C. Ces résultats pourraient aider à mieux comprendre l’influence de l’amplitude de température sur le cycle de vie des insectes et à évaluer l’impact du changement climatique sur la distribution et l’abondance des insectes ravageurs.

L’aire de répartition climatique de l’agrile du frêne, Agrilus planipennis, a été évaluée dans cette étude. Des calculs ont été effectués pour les climats de 1990-1999, 2030-2039 et 2050-2059 dans le cadre du scénario SSP7.0. Comme le montrent les résultats, avec de nouveaux changements du climat mondial, la tendance dominante sera le déplacement des limites septentrionales de l’aire climatique de l’agrile du frêne vers le nord.

Les modèles démographiques physiologiques (PBDM), fondés sur la biologie des espèces et les conditions météorologiques, permettent de mieux anticiper la dynamique spatio-temporelle des espèces d’importance agroécologique et vétérinaire que les simples modèles de répartition. Une plateforme web est proposée pour aider les non-experts à formuler ces PBDM et à les exploiter pour la gestion et les politiques. L’approche est illustrée en Afrique avec 13 espèces (dont Spodoptera frugiperda, Bactrocera dorsalis, HLB), en lien avec des outils SIG et des données climatiques.

L’agriculture constitue le principal moteur économique du pays, assurant emplois, sécurité alimentaire, matières premières et développement rural. Cependant, les maladies et ravageurs des plantes menacent la production de raisin, entraînant des pertes économiques importantes et affectant la qualité des récoltes. Les sept principaux problèmes affectant la vigne sont l’anthracnose, la tache brune, les acariens, la pourriture noire, le mildiou, le chancre foliaire et l’ESCA. Pour préserver la filière viticole, il est crucial de détecter précocement ces maladies. Cette étude propose l’usage des réseaux de neurones convolutifs (CNN), combinés à l’apprentissage résiduel via l’algorithme DCNN, pour identifier et classifier les maladies à partir d’images hyperspectrales avec une précision améliorée.

Les nouvelles technologies transforment la détection des maladies des cultures : les réseaux de neurones convolutifs (CNN) atteignent jusqu’à 98 % de précision à partir d’images, et l’imagerie hyperspectrale ou la spectroscopie environ 95 %. Couplées au machine learning, elles surpassent largement les méthodes visuelles traditionnelles. Toutefois, elles nécessitent de grands jeux de données, une forte puissance de calcul et présentent un risque de surapprentissage. Les recherches futures visent à améliorer la robustesse des modèles, diversifier les sources de données et développer des outils accessibles aux agriculteurs pour une agriculture plus durable.