2.6 Limites des méthodes classiques d'étude
des interactions G×E
Le modèle 2.1, qui correspond a` un modèle
d'analyse de variance a` deux facteurs, permet uniquement de tester la
significativitédes interactions, mais il ne permet aucunement de les
explorer. Dans ce cas, l'information contenue dans ces interactions serait
inexploitée si aucune analyse supplémentaire n'était faite
(Crossa, 1990). Cette logique sous-tend la modélisation des interactions
G×E qui permet alors d'améliorer la
prédiction des performances des génotypes dans de nouveaux
environnements en contrôlant la variation importante de ces interactions
et en l'enlevant de la partie significative du modèle (Gauch, 1990,
1992).
La régression conjointe parait peu adaptée a`
cette forte variation d'une année sur l'autre ou d'un site a` l'autre.
Cette méthode permet d'interpréter l'interaction par le potentiel
du milieu, estimépar l'effet moyen du milieu. Pour un nouveau milieu non
encore couvert par une expérimentation, nous n'avons pas d'estimation du
potentiel, donc pas de prédiction de l'interaction. De ce fait, elle
permet de décrire uniquement les résidus du modèle additif
et n'utilise aucune information supplémentaire du milieu pour
modéliser l'interaction.
La méthode AMMI est un outil permettant de comprendre
des données complexes, notamment celles obtenues dans le cadre des
interactions G×E. Cependant, elle n'a qu'un grand
intérêt descriptif et constitue une technique appropriée
uniquement dans une perspective d'analyse préliminaire. 'Etant
donnéqu'une ACP est effectuée sur les résidus du
modèle additif, la méthode AMMI permet tout juste
d'étudier les corrélations entre composantes principales et
covariables de l'environnement et du génotype, alors que le but est de
prédire les unes a` partir des autres (Yan et al., 2001). Elle
péche ainsi par le fait que cette modélisation de l'interaction
se fait sans l'utilisation
des données climatiques des environnements, car, de
même que l'analyse de variance, les effets estimés pour les
environnements sont imprévisibles.
La régression factorielle, elle, tient compte des
conditions climatiques des environnements pour prédire la réponse
des génotypes. Mais elle suppose que l'action de l'environnement sur la
production est linéaire, ce qui n'est pas certain. De plus, le nombre
important de variables climatiques généralement mesurées
sur les lieux d'essais fait qu'elles ne peuvent pas être totalement
prises en compte par cette méthode.
Il s'agira alors, d'améliorer la prédiction de
la performance des génotypes en réduisant l'impact de la
variabilitéclimatique sur la précision de cette estimation. Une
solution serait de modéliser les variations de la réponse des
génotypes en fonction de l'environnement par l'utilisation de
modèles de simulation de cultures tels que Diagnostic hydrique des
cultures (DHC, Forest et Cortier, 1990), Irrigation scheduling information
system (IRSIS, Fao, 1987), SarraH. Seulement, les paramètres de tels
modèles ne sont connus que pour un petit nombre de génotypes.
| 
