Memoire Online - Prédiction de l'interaction génotype à— environnement par linéarisation et régression PLS-mixte

Des variables climatiques ont étémesurées quotidiennement sur les sites des essais. Ces variables (pluie, rayonnement solaire, vitesse du vent, etc.) se trouvent en fait plus nombreuses que les essais, ce qui rend impossible leur complète utilisation dans un modèle de régression factorielle. Pour décrire les différents lieux, nous avons uniquement retenu la pluviométrie totale sur le cycle de culture qui, a` notre sens, permet de bien les caractériser.

Pour la covariable génotype, nous pouvons utiliser des indices de tolérance ou de sensibilitéqui font intervenir le rendement en conditions de sécheresse et le rendement en conditions optimales. Mais le mode de calcul de ces indices pénalise très fortement les génotypes a` rendement potentiel élevé; des valeurs

très élevées caractérisent plutôt des génotypes rustiques a` faible productivitéque des génotypes a` rendement stable et élevé(Belhassen, This et Monne-

veux, 1995). Nous privilégions le taux de croissance de culture (C) décrit par Turner, Wright et Siddique (2002) comme étant :

o`u PF est le poids des fanes, PG le poids des gousses et T la durée floraisonrécolte. Ce taux permet effectivement de caractériser les génotypes selon leur sensibilitéa` la sécheresse car plus une variétéproduit de biomasse totale et de gousses en un temps relativement court, mieux elle est adaptée a` la sécheresse. Le calcul de C s'est fait sur des données qui n'ont pas servi a` la modélisation de l'interaction G×E.

Les résultats de la régression factorielle tenant compte de la covariable C attachée aux génotypes et de la covariable Pluie liée aux environnements, sont présentés dans le tableau 2.5. La somme des carrés résiduels (751 771,62) est ce qui reste des interactions G×E une fois que nous avons utiliséles covariables pour les interpréter. Sans ces covariables, cette somme des carrés était égale a` 962 311,6 (modèle additif, tableau 2.1 de la page 24).

Effet	d.l		Somme de carrés			Carrémoyen	Statistique F	Niveau de signification
Génotype	5		232	764,98	46	552,99	2,23	0,0725
Environnement	10	8	100	921,68	810	092,17	38,79	0,0000
C×Pluie	1		8	896,50	8	896,50	0,43	0,5181
C×Env.	9		162	944,57	18	104,95	0,87	0,5624
Génotype×Pluie	4		38	698,94	9	674,74	0,46	0,7622
Résidus	36		751	771,62

Nous notons tout de même que les covariables associées aux effets principaux ne sont pas significatives (0,5181 pour le produit des deux covariables, 0,5624 pour la covariable liée a` l'environnement et 0,7622 pour celle liée au facteur génotype). Cela indique que la décomposition de l'interaction n'est pas pertinente avec de telles covariables et qu'il faudrait en sélectionner d'autres. Ce qui pose le problème du choix de covariables caractérisant le mieux le climat des environnements. En effet, face au nombre important de variables climatiques quotidiennement mesurées sur les lieux, se pose la difficultéde

les r'esumer efficacement. Dans ce cas, l'utilisation de modèles de simulation de culture pour les synth'etiser peut être une alternative.

Prédiction de l'interaction génotype à— environnement par linéarisation et régression PLS-mixte

2.4.2 Illustration avec les données de l'essai multilocal