Le maïs est planté sur environ 90 millions d'acres à travers les États-Unis chaque année. Avec toutes ces données, il faut des mois après la récolte pour que les agences gouvernementales analysent le rendement total et la qualité des grains. Les scientifiques s'efforcent de raccourcir ce délai, faire des prévisions pour le rendement de fin de saison d'ici la mi-saison. Cependant, moins de chercheurs se sont penchés sur les prédictions de la qualité des grains, surtout à grande échelle. Une nouvelle étude de l'Université de l'Illinois commence à combler cette lacune.

L'étude, Publié dans Agronomie , utilise un algorithme nouvellement développé pour prédire à la fois le rendement de fin de saison et la composition des grains - la proportion d'amidon, huile, et des protéines dans le grain—en analysant les conditions météorologiques au cours de trois étapes importantes du développement du maïs. Surtout, les prévisions s'appliquent à l'ensemble de la récolte de maïs du Midwest aux États-Unis, quels que soient les génotypes de maïs ou les pratiques de production.

"Il existe plusieurs études évaluant les facteurs influençant la qualité pour des génotypes spécifiques ou des emplacements spécifiques, mais avant cette étude, nous ne pouvions pas faire de prédictions générales à cette échelle, " dit Carrie Butts-Wilmsmeyer, professeur adjoint de recherche au Département des sciences des cultures de l'U of I et co-auteur de l'étude.

Comme le maïs arrive aux silos du Midwest chaque saison, le US Grains Council prélève des échantillons pour évaluer la composition et la qualité de ses rapports de synthèse annuels, qui sont utilisés pour les ventes à l'exportation. C'est cette base de données complète que Butts-Wilmsmeyer et ses collègues ont utilisée pour développer leur nouvel algorithme.

"Nous avons utilisé des données de 2011 à 2017, qui comprenait des années de sécheresse ainsi que des années record, et tout le reste, " dit Juliann Seebauer, spécialiste principal de la recherche au Département des sciences des cultures de l'Université de l'Université de I et co-auteur de l'étude.

Les chercheurs ont jumelé les données sur la qualité du grain avec les données météorologiques 2011-2017 des régions alimentant chaque silo à grains. Pour construire leur algorithme, ils se sont concentrés sur la météo pendant trois périodes critiques :l'émergence, soie, et le remplissage du grain - et a constaté que le prédicteur le plus fort du rendement en grain et de la qualité de la composition était la disponibilité de l'eau pendant la formation des soies et le remplissage du grain.

L'analyse est allée plus loin, identifier les conditions conduisant à des concentrations plus élevées d'huile ou de protéines - des informations importantes pour les acheteurs de céréales.

La proportion d'amidon, huile, et la protéine dans le grain de maïs est influencée par le génotype, disponibilité des éléments nutritifs du sol, et météo. Mais l'effet de la météo n'est pas toujours évident lorsqu'il s'agit de protéines. Dans des conditions de sécheresse, les plantes stressées déposent moins d'amidon dans le grain. Par conséquent, le grain a proportionnellement plus de protéines que celui des plantes ne subissant pas de stress hydrique. Le beau temps peut également conduire à des concentrations de protéines plus élevées. Beaucoup d'eau signifie que plus d'azote est transporté dans la plante et incorporé dans les protéines.

Dans l'analyse, « des niveaux de protéines de grain et d'huile supérieurs à la moyenne ont été favorisés par une réduction du lessivage de l'azote au début de la croissance végétative, mais aussi des températures plus élevées à la floraison, tandis que des concentrations plus élevées d'huile que de protéines résultent de températures plus basses pendant la floraison et le remplissage du grain, ", disent les auteurs dans l'étude.

La capacité de mieux prévoir les concentrations de protéines et d'huile dans les céréales pourrait influencer les marchés mondiaux, compte tenu de la demande nationale et internationale croissante de maïs à haute teneur en protéines pour l'alimentation animale. Avec le nouvel algorithme, il devrait être théoriquement possible de faire des prévisions de rendement et de qualité en fin de saison des semaines ou des mois avant la récolte simplement en examinant les conditions météorologiques.

"D'autres chercheurs ont réalisé des prévisions de rendement en temps réel en utilisant des données et des modèles beaucoup plus complexes. La nôtre était une approche relativement simple, mais nous avons réussi à ajouter la pièce de qualité et à obtenir une précision décente, " explique Butts-Wilmsmeyer. " Les variables météorologiques que nous avons trouvées importantes dans cette étude pourraient être utilisées dans des analyses plus complexes pour atteindre une précision encore plus grande dans la prévision du rendement et de la qualité à l'avenir. "