Estimation de la maturité physiologique de la mangue et du rendement du verger de manguier (Mangifera indica L., variété ‘Kent’) au nord de la Côte d’Ivoire vers la mise en place d’un modèle de prévision de récolte.

Abstract

En Côte d’Ivoire, la culture du manguier présente des atouts économiques et nutritionnels pour les zones de production. Les rendements sont toutefois faibles et confrontés à l’absence d’outils de mesure rapides et très fiables de la maturité et de la production, ce qui rend difficile les tentatives d’amélioration des performances du système de culture. Cette étude a été entreprise pour déterminer un intervalle minimum de temps entre la floraison et la récolte qui garantit un bon mûrissement post-récolte de la mangue ‘Kent’ et pour mettre au point une méthodologie plus précise et plus fiable pour estimer le rendement du manguier. L’étude a été conduite dans 21 vergers de manguiers situés dans la région du Poro, au nord du pays. A l’échelle du fruit, la qualité a été mesurée sur 240 mangues ‘Kent’ récoltées à quatre stades de maturité différente après la floraison, à raison de 60 mangues par stade. Pour chaque stade, une caractérisation morphologique et physicochimique a été réalisée sur 30 fruits à la récolte et sur 30 autres fruits après le mûrissement à température ambiante. À l’échelle de l’arbre, un réseau de neurones (Faster R-CNN) de détection de fruits, basé sur l’analyse d’images numériques assisté par modèle, a été mis au point pour estimer la production du manguier peu avant la récolte. Le réseau a été entraîné et validé sur 426 images obtenues sur 230 arbres en 2019 et 2020. A l’échelle du verger, quatre stratégies d’échantillonnage d’arbres adapter à la région du Poro, ont été évaluées pour estimer le rendement du verger. Les résultats, à l’échelle du fruit ont montré que les mangues récoltées à un intervalle de temps de 100 jours après la floraison ont présenté les meilleures caractéristiques morphologique et physicochimique. À partir de cette période, la mangue atteint de meilleures qualités organoleptiques et nutritionnelles au cours du mûrissement post-récolte. A l’échelle de l’arbre, le réseau de neurones a obtenu une efficacité globale (F1- score) de 0,88 et une précision de détection de 91 % des mangues présentes dans les images d’arbres. En comparant les performances du Faster R-CNN avec un comptage manuel de fruits dans les 230 d'arbres, un modèle efficace et fiable (R2 = 0,96 et NRMSE = 5,9 %) a été mis au point pour estimer le rendement en mangues à partir d'images d’arbres. A l’échelle du verger, la méthode d’échantillonnage aléatoire simple d’arbres a obtenu de très bonne performance pour estimer la production. Cette méthode a nécessité un échantillonnage de 7 à 26 % des arbres du verger pour obtenir un taux d’erreur de moins de 10 % et une production estimée quasi-identique à la production réelle du verger. Cette étude offre de nouvelles perspectives pour pallier l’absence d’outils efficaces et plus fiables pour estimer la production du manguier et fournir des informations de grande importance pour l’organisation des récoltes de la filière de mangue en Afrique de l’ouest et particulièrement en Côte d’Ivoire.