Elimination d’aflatoxines dans le maïs : un outil d'IA expérimenté avec succès

La contamination du maïs par les aflatoxines est une menace pour la sécurité alimentaire du continent africain. Pour lutter contre cet « ennemi invisible », un système d'alerte précoce innovant, basé sur l'intelligence artificielle, qui utilise l'apprentissage automatique et les données satellitaires pour prédire et cartographier les points chauds de contamination est en cours de mise au point. Cet outil a été développé par l'Institut international d'agriculture tropicale (IITA) et ses partenaires, dans le cadre du Programme d'intensification de l'impact (S4I) du CGIAR et du Programme d'agriculture durable (SFP) du CGIAR. Cette innovation sera présentée au 11^e sommet africain sur le commerce des céréales prévu à Zanzibar en Tanzanie.

L'aflatoxine, une mycotoxine puissante produite par le champignon Aspergillus flavus, est un « ennemi invisible » caché dans les sols. Elle contamine les cultures de base comme le maïs, l'arachide et le sorgho, provoquant de graves problèmes de santé tels que des retards de croissance chez les enfants, une immunodépression et des cancers du foie. Sur le plan économique, la contamination par l'aflatoxine coûte à l'Afrique environ 670 millions de dollars par an en pertes commerciales de céréales.

« Les informations sur la répartition spatiale du risque d'aflatoxine à l'échelle des exploitations agricoles sont limitées, alors qu'elles sont cruciales pour orienter le ciblage spatial des interventions de gestion appropriées », expliquent les chercheurs à l'origine du système.

Exploiter les données pour prédire les risques

Le système A-EWS comble ce manque d'informations en appliquant l'intelligence artificielle géospatiale (GeoIA) pour prévoir les zones à risque de contamination avant récolte. Les modèles d'apprentissage automatique de l'outil ont été entraînés sur un vaste ensemble de données.

Données historiques : 907 échantillons uniques de maïs pré-récolte provenant d'exploitations agricoles au Kenya, en Ouganda, au Malawi et en Tanzanie, collectés entre 2009 et 2022.

Variables environnementales : Données satellitaires sur la température, les précipitations, l'humidité, l'altitude et les propriétés du sol, facteurs clés influençant la croissance fongique.

Le système classe le risque lié aux aflatoxines en trois catégories internationalement reconnues : faible (< 5 ppb), moyen (5 à 20 ppb) et élevé (> 20 ppb). Parmi les huit algorithmes d'apprentissage automatique testés, le modèle de renforcement de gradient (GBM) a démontré la plus grande précision sur les nouvelles données, atteignant des scores F1 de 67 % pour les prévisions à faible risque, 45 % pour les prévisions à risque moyen et 41 % pour les prévisions à risque élevé.

Les principaux facteurs déterminants identifiés comprennent les précipitations en mars, la température minimale en mars et l'altitude. Plus précisément, le risque est maximal à des altitudes inférieures à 1 000 mètres, lorsque les précipitations en mars sont inférieures à 200 mm et que la température du sol varie entre 18 °C et 27 °C. Le modèle montre que pendant les saisons sèches, les zones à haut risque s'étendent largement, tandis que les années plus humides concentrent les risques le long des ceintures côtières. Les résultats ont été récemment publiés dans le World Mycotoxin Journal.

Un outil pratique pour l'industrie et les décideurs politiques

Les résultats sont accessibles via un tableau de bord interactif en ligne, permettant aux parties prenantes de visualiser les cartes des risques liés à l'aflatoxine et de prendre des décisions éclairées. Le Conseil des céréales d'Afrique de l'Est (EAGC), partenaire essentiel et porte-parole régional du secteur céréalier, qualifie cet outil de « plateforme utile pour l'industrie céréalière ». Le conseil souligne son utilité pour orienter les acheteurs de céréales vers des sources de maïs plus sûres et pour formuler des conseils spécifiques à chaque région sur les mesures d'atténuation, telles que le produit de biocontrôle Aflasafe®.

Cette approche ciblée, basée sur les données, remplace les recommandations générales et inefficaces par des interventions précises.

« Grâce à ces cartes… nous pouvons enfin rendre l’aflatoxine visible », a déclaré Jane Kamau de l’IITA, soulignant la capacité du système à fournir aux décideurs politiques, qui autrement ne seraient peut-être pas conscients des risques locaux, des preuves concrètes pour agir.

Points de vue des développeurs

Le Dr Francis Muthoni, scientifique principal du projet, a souligné le potentiel transformateur de l’outil : « La contamination par l’aflatoxine a longtemps été une menace invisible, difficile à surveiller et à gérer à grande échelle. Notre système, basé sur l’IA, change la donne en fournissant des cartes des risques claires et exploitables qui permettent aux agriculteurs, aux négociants et aux décideurs politiques d’agir de manière proactive plutôt que réactive. »

Il a ajouté : « En intégrant diverses sources de données – images satellite, conditions météorologiques et historiques de contamination – nous avons créé un modèle dynamique qui reflète la complexité du risque lié à l’aflatoxine. Cette précision permet de cibler plus efficacement les interventions, de préserver les cultures, de protéger la santé et de préserver l’intégrité des marchés. »

Développements futurs et collaboration

L'équipe du projet souligne que la précision du modèle d'IA dépend de l'augmentation du volume et de la qualité des données de test. Les prochaines étapes incluent une diffusion plus large de l'outil pour recueillir les retours des utilisateurs et le développement d'une application back-end permettant aux partenaires de télécharger de nouvelles données standardisées afin d'affiner continuellement les prédictions.