Application de La SPIR Au Contrôle de La Qualité
Application de La SPIR Au Contrôle de La Qualité
Application de La SPIR Au Contrôle de La Qualité
André Ndiaye
Entreprises d’accueil :
CTRAV (Centre Technique de Recherches Agronomiques du
Vanouatou)
CIRAD (Centre de Coopération Internationale en Recherche
Agronomique pour le Développement)
Tuteur industriel : Vincent Lebot
Tuteur universitaire : Michel Baccaunaud
CTRAV
i
ii
Remerciements
Ce travail n’aurait été possible sans le financement du Fonds de Coopération Economique et
Sociale pour le Pacifique du Ministère des Affaires Etrangères Français.
Je tiens tout d’abord à remercier mon maître de stage, Monsieur Vincent Lebot pour
avoir accepté de m’accueillir, mais aussi pour sa gentillesse, son soutien, ses conseils et
surtout pour la confiance qu’il m’à accordé tout au long de ce stage.
Je remercie également mon tuteur de stage Monsieur Michel Baccaunaud pour son
suivi et ses conseils durant mon étude.
Un grand merci à Roger Malapa et Noella pour leur accueil chaleureux et leur
attention durant mon séjour à Santo.
Je n’oublie pas ma famille et mes amis, et tout particulièrement Marlène qui m’à
permis de découvrir ce magnifique pays.
Merci aussi à l’ensemble des personnes qui ont contribué au bon déroulement de mon
stage et que je n’ai pas cité.
iii
iv
Table des Matières
Introduction ...........................................................................................................................1
I. Synthèse bibliographique................................................................................................3
v
III. Résultats et Discussion .............................................................................................. .27
Conclusions…………………………………………………………………..…………….. 43
Annexes…………………………………………………….………………….…………….49
vii
viii
Introduction
La recherche de la qualité est d’actualité dans l’industrie agro-alimentaire. Elle permet un
meilleur fonctionnement des entreprises mais aussi la garantie de produits adaptés aux
exigences des consommateurs. Afin d’atteindre ces objectifs, les entreprises sont tenues de
mettre en œuvre d’importants moyens, à la fois matériels et humains, pour le contrôle des
matières premières et des produits finis. Les aliments doivent, en effet, respecter des
spécifications particulières, surtout en ce qui concerne les concentrations en constituants
principaux (eau, protéines, glucides, lipides …). Les méthodes de référence sont généralement
longues à mettre en œuvre, nécessitent l’emploi de réactifs coûteux et polluants et ne peuvent
être appliquées que par des opérateurs qualifiés. Par exemple, l’analyse des protéines brutes
par la méthode de Kjeldahl est basée sur la minéralisation de l’azote organique en utilisant de
l’acide sulfurique chaud et des catalyseurs toxiques (Bertrand, 2002).
C’est donc dans ce contexte, visant à vérifier rapidement et à moindre coût la qualité
des patates douces destinées aux marchés locaux pour la consommation en frais ou pour les
transformations, que s’inscrit la présente étude effectuée au niveau du Centre Technique de
Recherche Agronomique du Vanouatou (CTRAV) en collaboration avec son partenaire, le
Centre de Coopération Internationale en Recherche Agronomique pour le Développement
(CIRAD).
Le CTRAV, seule institution nationale de recherche agronomique au Vanouatou,
conduit divers programmes de recherches appliquées destinées au développement de
l’agriculture dans ce pays essentiellement rural. Le CIRAD est un établissement public
industriel et commercial français (EPIC) placé sous l'autorité conjointe du ministère de
l'Enseignement supérieur et de la Recherche et le ministère des Affaires étrangères et
européennes. Ce centre de recherche travaille avec les pays en développement afin de trouver
des solutions aux problèmes agricoles et du développement international (avec 1800 agents
dont 800 chercheurs opérant dans plus de 90 pays) (www.cirad.fr).
Le Vanouatou est un archipel localisé dans le Sud-Ouest de l’Océan Pacifique, entre
les îles Salomon, la Nouvelle-Calédonie et les îles Fidji (Annexe 1). Il s’étend du nord au sud
sur prés de 900 kilométres et comporte plus de 100 îles et îlots pour une superficie de 12195
km2. Il appartient à la zone tropicale humide et les sols de l’archipel sont généralement jeunes
et fertiles. Il renferme donc une très grande diversité de fruits, légumes et de plantes à racines
et tubercules (RT), d’où l’intérêt que porte le CIRAD pour ce pays.
Les RT (manioc, patate douce, ignames et taros) sont cultivées annuellement sur plus
de 25 millions d'hectares dans le monde et produisent 415 millions de tonnes récoltées
essentiellement dans les pays en voie de développement (www.fao.org). Les RT contribuent à
la sécurité alimentaire de plus de deux milliards d'habitants et s'insèrent dans des systèmes de
cultures associées ou agroforestiers. Les rapides changements de régimes alimentaires et la
dépendance croissante vis-à-vis des céréales importées induisent une forte pression sur leur
diversité.
Dans toute la Mélanésie les racines et tubercules représentent les aliments de base des
populations. Au Vanouatou, contrairement aux autres pays Mélanésiens ou du Pacifique, ces
aliments qui ont la particularité d’être riches en amidon sont transformés en un plat
traditionnel appelé laplap. C’est une sorte de pudding préparé à base de fruits amylacés
(bananes plantains, arbre à pain), et racines ou tubercules râpés. La pâte obtenue est ensuite
enveloppée dans des feuilles de laplap (Heliconia indica) puis cuite à l’étouffée dans un four
traditionnel.
La patate douce (Ipomoea batatas) est aujourd’hui la septième culture mondiale, avec
plus de 133 millions de tonnes produites chaque année. Près de 98 % de cette production sont
1
cultivés dans des pays tropicaux. Des caractéristiques agronomiques telles qu’une large
adaptabilité, une forte productivité, un cycle court et une forte valeur nutritionnelle font de la
patate douce une culture particulièrement importante pour la sécurité alimentaire. Il s’agit
d’un aliment très varié et destiné à de multiples usages technologiques. Les teneurs en
composés majeurs (amidon, sucres, cellulose, protéines, minéraux) peuvent être très variables
d’une variété à l’autre. L’amélioration génétique puis la sélection pour des usages particuliers
(alimentation en frais, extraction de fécule, bio-éthanol, alimentation animale…) sont donc
nécessaires pour rendre la matière première adéquate (Woolfe, 2002).
Il existe au Vanouatou, comme dans tout le Pacifique, une grande diversité de variétés
de patate douce. Il semble donc important de pouvoir mettre en place une méthode simple
mais précise permettant de déterminer les variétés les mieux adaptées à la consommation
traditionnelle mais aussi aux transformations industrielles. Cependant, pour la patate douce,
parler de qualité est relativement complexe dans la mesure où elle peut servir pour de
nombreuses et diverses utilisations et se prépare de plusieurs manières (bouillie, cuite au four,
rôtie ou frite…). Son utilisation comme matière première pour différentes filières de
l’industrie agro-alimentaire (la production d’alcool, l’extraction de l’amidon, la confection de
colorants naturels, la fabrication de nouilles…), nécessite différents critères d’appréciation.
Chaque type d’utilisation exige des caractéristiques qualitatives particulières directement liées
à la composition chimique des racines et elles sont bien distinctes.
L’utilisation de la Spectrométrie Proche Infrarouge (SPIR) représente une bonne
alternative aux analyses chimiques du fait de sa rapidité, de son caractère non dangereux et de
son faible coût d’utilisation. Elle est particulièrement bien adaptée aux conditions de travail
dans les pays en développement. Il s’agit donc, dans le cadre de cette étude, de déterminer si
l’analyse par SPIR est suffisamment fiable pour remplacer les analyses chimiques pour le
contrôle de la qualité des patates douces.
Cependant, l’expérimentation de cette méthode sur la patate douce n’en est qu’à ses
débuts. Une première étude a déjà été réalisée au Vanouatou. Celle-ci avait pour objectifs de
calibrer le spectromètre proche infra-rouge afin de pouvoir mettre en place des analyses en
routine sur des farines de manioc, taro, igname et patate douce (Lebot et al., 2009). D’autre
part, elle visait à tester les capacités de la SPIR pour déterminer les teneurs en composés
majeurs. Notre étude s’inscrit dans la continuité de ce travail préliminaire.
Notre étude vise aussi à mettre au point des outils simples de criblage permettant
d’évaluer un grand nombre de génotypes et de sélectionner les meilleures variétés dans le
cadre d’un programme d’amélioration génétique destiné à l’amélioration des caractères de
qualité. Elle suppose donc qu’une première analyse des relations entre les caractéristiques
physico-chimiques du produit et la notion de qualité pour le consommateur, soit conduite de
manière à en cerner les limites.
Un travail de description des caractéristiques morpho-agronomiques qui pourraient
éventuellement être liés à la qualité, comme la couleur de la chair par exemple, est également
conduit de manière à développer des outils visuels pour la sélection. Il s’agit aussi de
rechercher de possibles relations caractéristiques aériennes et souterraines (l’organe utile de la
plante) de manière à faciliter la recherche de variétés intéressantes dans le cadre de
programmes d’amélioration génétique destinés aux agriculteurs des pays du Pacifique.
Dans un premier temps nous présenterons une brève synthèse bibliographique sur la
patate douce ainsi que sur la SPIR et ses applications. Nous développons ensuite une partie
sur les matériels et les méthodes utilisées afin de mener à bien cette étude. Puis nous
présenterons en détail les résultats obtenus au cours de cette étude et nous terminerons enfin
par une discussion sur le potentiel de la SPIR et envisagerons certaines perspectives d’avenir.
2
I. Synthèse bibliographique
I.1.2. Origines
Les preuves archéologiques, linguistiques et historiques indiquent que la patate douce est
originaire du Nouveau Monde, des basses terres d’Amériques Centrale et du Sud. Les plus
anciens restes de racines séchées sont originaires de Chilca Canyon, au Pérou (Engel, 1970) et
ont été datés (grâce au carbone 14) entre 8000 et 10000 ans. Cependant, il n’est pas certain
que ceux-ci aient été domestiqués ou simplement collectés de plantes sauvages. Une autre
preuve archéologique vient de la découverte de restes de patates douces cultivées dans la
vallée de Casma, également au Pérou, datés approximativement de 2000 ans avant J.C. (Ugent
et al, 1983, cité par Woolfe, 1992 :15).
Plusieurs hypothèses ont été émises en ce qui concerne l’origine de la patate douce
dans le Pacifique. En effet, la similitude linguistique entre le nom sud Américain et
Polynésien de la patate douce (kumara) fait penser à une intervention des polynésiens pour
son transfert d’Amérique du Sud vers l’Océanie. Au Vanouatou, le mot utilisé dans la langue
véhiculaire locale est kumala, mais on ne sait pas si la patate douce est une introduction
polynésienne secondaire sur cet archipel mélanésien ou si elle pourrait avoir été introduite
3
avec d'autres aliments de base par de premiers migrants venant des îles Salomon ou encore, si
elle aurait été plantée par Queiros lui-même à Matantas dans la Grande Baie de Santo, en
1606 (Lebot, 2009).
4
Enfin, la qualité implique la salubrité, c'est-à-dire l’absence d’action toxique par la
limitation de teneurs en substances naturelles indésirables; le respect des limites maximales
des résidus en produits phytosanitaires, ainsi que la valeur nutritionnelle, c'est-à-dire la
composition en termes de teneurs en calories, protéines, acides aminés indispensables,
vitamines, sels minéraux, oligo-éléments,…etc. Ces différents aspects sont en étroite relation
avec la composition chimique de la racine régie elle-même, par la variété, les conditions
pédoclimatiques et les techniques de production et de conservation (Crosnier et Montigny,
1981 ; Montigny 1983). Notre étude à pour but de déterminer la qualité des différentes
variétés de patate douce en se basant essentiellement sur leurs compositions physico-
chimiques.
Si la patate douce est cultivée dans toutes des îles du Vanouatou, sa production reste
beaucoup moins importante que dans les pays voisins (Papouasie-Nouvelle-Guinée et îles
Salomon par exemple) pour lesquels notre étude reste pertinente. Au Vanouatou, les aliments
de base les plus consommés sont plutôt le taro, la banane, l’igname et le manioc. La patate
douce est cultivée en moindre quantité (Champagne, 2010) mais elle présente, de part son fort
potentiel de rendement et son cycle court, un attrait particulier pour les zones où les pressions
anthropiques sont fortes. Son développement reste donc constant et elle devrait jouer ces
prochaines années, un rôle important pour la sécurité alimentaire, compte tenu de la forte
croissance démographique que connaît l’archipel.
5
lots de distillerie peuvent être mélangés. Ainsi, un produit homogène est obtenu et ajusté à 20-
20% (v/v) puis, enfin, mis en bouteilles (Woolfe, 1992).
La patate douce possède deux types de pigments potentiellement intéressants comme
colorants naturels pour l’industrie alimentaire : les caroténoïdes et les anthocyanes. Les
carotènes sont en fortes concentrations et peuvent être utilisés pour la synthèse de colorants
jaunes ou orange. La technique la plus utilisée pour l’extraction des anthocyanes nécessite une
hydrolyse acide de l’amidon. Les racines préparées et pelées sont homogénéisées avec un
volume équivalent d’eau et sont hydrolysées avec de l’acide sulfurique à 80°C pendant deux
heures puis neutralisées à l’aide d’oxyde de calcium (Lebot, 2009).
I.1.6. Conservation
La conservation à des températures élevées entraine un changement rapide de la qualité. Dés
la deuxième semaine de conservation, il y a une diminution de la teneur en amidon et donc
une augmentation de la quantité de sucres, une perte de poids du produit dû à la diminution de
la teneur en eau. Idéalement, les patates douces devraient être conservées entre 13 et 15°C
avec une humidité relative de 80-90%. Parce que les patates douces sont difficiles à conserver
en milieu tropical, les cultivateurs évitent les complexes procédés et ne récoltent qu’en cas de
nécessité. Ils préfèrent laisser les tubercules en terre, quelques fois plusieurs mois, après qu’ils
aient atteint la bonne taille. Les dégâts occasionnés par les rats sont dans ce cas, très
importants.
6
particulières et sont utilisés pour une meilleur tolérance à une forte pluviométrie ou encore
une certaine précocité. C’est en Caroline du Nord, région où la production est la plus
importante, que l’on trouve l’un des plus vieux programme d’amélioration mené par la North
Carolina State University (NCSU). Les objectifs actuels de ce programme comprennent le
développement de variétés à chair orange et à chair blanche, ayant un fort rendement, dont les
performances agronomiques dépendent le moins possible de l’environnement, mais aussi des
qualités par la transformation (capacité à faire de bonnes frites, chips ou tartes). A titre
d’exemple, des amidons ayant une faible viscosité induisent une texture en purée qui n’est pas
appréciée par le consommateur américain (Collins et al., 1995 ; Silva et al., 1989) et les
sélectionneurs doivent donc en tenir compte. Ces programmes utilisent des méthodes
classiques d’amélioration génétique ainsi que divers outils de biochimie, de génétique
moléculaire d’association et des biotechnologies permettant de faciliter la sélection.
Ce n’est qu’au début des années 1980, avec la prise de conscience que la carence en
vitamine A pouvait être compensée par une alimentation riche en caroténoïdes de type
provitamine A, que des études ont été orientées vers cette classe de molécules. Les
programmes d’amélioration menés sur les métabolites secondaires ont essentiellement portés
sur les caroténoïdes. Aujourd’hui, quasiment tous les centres de recherches sur la patate douce
visent, en partie, l’obtention de cultivars riches en caroténoïdes (Champagne, 2010).
Pour ce qui est des contraintes phytosanitaires en zone tropicale humide, la gale de la
patate douce, causée par cryptogame Elsinoe batatas, pose problème plus particulièrement
pour l’alimentation du bétail à partir du feuillage, mais peut aussi réduire le rendement de près
de 60%. En Afrique, ce sont principalement les virus qui affectent les cultures. Les virus les
plus fréquemment décrits sont celui de la panachure plumeuse, transmis par les pucerons et
celui du rabougrissement chlorotique transmis par la mouche blanche (Gibson, 2004). Ces
contraintes sont spécifiques à l’environnement local. Certains programmes d’amélioration ont
donc pour but de créer des variétés résistantes à ces maladies.
Le CIP (Centre International de la Pomme de Terre) basé à Lima au Pérou, a en charge
les recherches internationales pour cette culture et a développé de nombreuses collaborations
régionales pour une meilleure adaptation aux conditions locales. Il distribue également des
variétés “élites“ issues d’amélioration génétique et tente de les recombiner avec des variétés
particulièrement bien adaptées aux conditions locales. En échangeant des graines entre
différentes régions (Amérique du Sud, Afrique et Asie), l’amélioration s’effectue en majorité
dans des blocs polyclonaux, par pollinisations libres entre parents sélectionnés puis clonés, ou
par croisements contrôles mais ceux-ci sont longs et fastidieux et produisent très peu de
graines. Cette stratégie s’explique par les résultats obtenus par ce type de sélection, fort
simple mais très efficace. Elle implique néanmoins, le phénotypage et le criblage de très
grands nombres d’accessions.
La présente étude vise donc aussi à faciliter les opérations de phénotypage conduites
par les programmes d’amélioration en mettant au point des outils permettant des sélections
plus rapides des variétés présentant un intérêt particulier, selon tel ou tel idéotype.
7
I.3.2. Les différents types de vibrations
Une liaison possède plusieurs bandes d’absorption, une fondamentale qui se situe dans le
moyen infrarouge et des bandes harmoniques dans le proche infrarouge. Les bandes
harmoniques se définissent comme étant des bandes dont la fréquence est un multiple de la
fréquence fondamentale. La région du proche infrarouge (de 800 à 2500 nm) inclut les bandes
harmoniques et les bandes de combinaison (de 1800 à 2500 nm). Deux ou plusieurs bandes
harmoniques peuvent se combiner pour former une bande de combinaison. Les absorptions
moléculaires dans le proche infrarouge sont dues essentiellement aux liaisons X-H, où X peut
être un atome de carbone (C), d’azote (N) ou d’oxygène (O). Ces absorptions sont causées par
des étirements, des flexions ou des vibrations déformant des liaisons hydrogènes, la liaison N-
H des protéines, O-H de l’eau et C-H des lipides. D’autres absorptions moléculaires
importantes dans le proche infrarouge incluent les doubles liaisons carbone-oxygène (C=O).
Les liaisons carbone-carbone subissent également des vibrations d’étirement. Les vibrations
les plus significatives sont celles des liaisons entre atomes de masses atomiques très
différents, telles que C-H, O-H, N-H.
8
I.3.4. Principes de fonctionnement d’un spectromètre
Les spectres sont acquis à l’aide de spectromètres qui comportent au moins quatre
parties essentielles, à savoir :
une source lumineuse,
un système de séparation de lumière polychromatique en fonction des longueurs
d’ondes ;
un système permettant de présenter l’échantillon,
un ou plusieurs capteurs photosensibles.
9
modifications de la structure moléculaire des aliments, qui peuvent aussi être caractérisées par
SPIR (Bertrand et Dufour, 2006).
10
généralement en laboratoire. La performance de la SPIR pour apprécier ces paramètres
directement sur de moissonneuses-batteuses a été évaluée en Allemagne puis comparée aux
prédictions faites par SPIR en laboratoire (Montes et al., 2006). Les coefficients sont
légèrement inférieurs (0,89 contre 0,95 sur grains et 0,97 sur farines en laboratoire) mais la
technique semble très prometteuse. D’après cette étude, la SPIR serait utilisée en routine chez
les améliorateurs de maïs et pourraient à terme être utilisée au champ pour pouvoir apprécier
les performances des variétés améliorées sur de grandes surfaces.
L’adaptation de cette technique a été testée en Chine sur grain de maïs entier (Jiang et
al., 2007) pour quantifier les teneurs en amidon, huile et protéines. Les coefficients de
validation sont très élevés (respectivement de 0,91 ; 0,94 et 0,95) et il est recommandé
d’utiliser cette technique en routine dans les programmes d’amélioration génétique.
Plus récemment, un criblage de 1245 variétés de maïs a pu être réalisé en Italie dans le
cadre d’un programme européen (EUMLCC= European Union Maize Landraces Core
Collection) destiné à évaluer précisément la diversité de cette espèce (Berardo et al., 2009).
Des équations de calibrations ont été développées pour les protéines totales, les lipides et
l’amidon. Les coefficients r2 variaient de 0,78 pour les lipides à 0,80 pour l’amidon et 0,91
pour les protéines. Des calibrations ont aussi été tentées sur le grain complet avec des
performances moindres. D’après cette étude, les analyses multivariées et les classifications
ascendantes hiérarchiques (CAH) sur les données spectrales devraient permettre de classer les
ressources génétiques en groupes utiles aux améliorateurs de maïs.
11
variables. La SPIR pourrait donc être utile, notamment pour le criblage de grands nombres
d’accessions dans le cadre de programmes d’amélioration génétique du colza.
12
de chips puisque celle-ci dépend des teneurs en amidon et glucose et que celles-ci dépendent
du génotype.
En ce qui concerne les métabolites secondaires de la pomme de terre (Solanum
phureja), une étude a tenté de quantifier les teneurs en divers caroténoides par CLHP et à
permis d’apprécier les performances de la SPIR pour se substituer à cette méthode de
référence chère et fastidieuse (Bonierbale et al., 2009). En tout, 215 accessions ont été
analysées à partir de leurs extraits lyophilisés. Les coefficients de corrélation pour la
prédiction (r2) sont élevés pour les caroténoides totaux (0,94) et la zeaxantine mais ce
coefficient est plus faible pour le béta-carotène (0,71). Une ACP permet d’identifier de grands
groupes de variétés selon leurs teneurs en carotènes. Les auteurs concluent que la SPIR
pourrait donc être utilisée pour cribler les nombreuses accessions présentes dans les
collections de ressources génétiques de pomme de terre qui abritent plusieurs milliers
d’accessions. Cette technique devrait permettre la sélection de celles qui pourront participer à
l’amélioration génétique de ce caractère très recherché.
Enfin, la SPIR a aussi été appliquée aux plantes à racines et tubercules tropicales
(manioc, patate douce, ignames, taro) dans le cadre d’une étude préliminaire destinée à
apprécier ses performances pour évaluer les composés majeurs présents dans les farines
complètes (Lebot et al., 2009). Cette étude montre que le potentiel de cette technique est
intéressant mais qu’elle nécessite que des travaux complémentaires soient menés.
En ce qui concerne la patate douce, une seule étude utilisant la spectroscopie infra-
rouge a été publiée en 2006 (Lu et al., 2006). Il s’agit d’une application de la SPIR pour la
prédiction des propriétés thermiques de l’amidon de patate douce et de sa qualité pour la
fabrication de nouilles. Cette étude à été réalisé sur 93 échantillons de patate douce et les
paramètres qui ont été analysés sont les différentes températures de gélatinisation de l’amidon
(début, maximale, gélatinisation complète et la gamme de température). Les coefficients de
détermination de la prédiction varient entre 0,84 et 0,89. Toutefois, la prédiction de la
résistance au refroidissement des nouilles affiche un r2pred de 0,63. Cependant, les auteurs
soutiennent que ces résultats sont très satisfaisants et que la SPIR est une méthode assez fiable
et pratique pour l’analyse en routine de l’amidon de patate douce et de la qualité de ses
nouilles.
Une présentation faite au dernier congrès de l’ISTRC (International Society for
Tropical Root Crops) qui s’est tenu au CIP à Lima (Pérou) en novembre 2009, annonce des
résultats très intéressants sur des extraits lyophilisés de patate douce (Zum Felde et al., 2009).
Pour les protéines le r2cv serait de 0,95 (n=216), pour l’amidon le r2cv serait de 0, 96 (n=268)
et pour les sucres il serait de 0,94 (n=266). Ces résultats, très encourageants, ont été obtenus
grâce au criblage de très nombreux échantillons pour la réalisation des modèles. Cependant,
ces modèles n’ont pas été testés sur une gamme de validation et on ne peut donc pas juger de
leurs capacités de prédiction.
13
14
II. Matériels et Méthodes
Les caractéristiques morphologiques des variétés et des hybrides de patate douce en cours de
sélection au Vanouatou ont été étudiées. Il s’agissait d’apprécier le potentiel d’éventuels outils
visuels, utilisables au champ, pour une sélection rapide mais fiable, du matériel végétal.
Les analyses des composés majeurs (amidon, sucres, cellulose, protéines, minéraux)
permettent la mise en relation des teneurs et compositions avec l’appréciation qualitative des
variétés par les consommateurs locaux (Champagne et al., 2009).
Le développement de deux types de modèles de prédiction SPIR, l’un basé sur un très
large échantillonnage composé de diverses espèces de RT (692 accessions) et l’autre sur 190
accessions de patates douces, permet de comparer leurs performances de prédiction pour les
cinq composés majeurs et de voir comment la SPIR peut être utilisée pour apprécier en
routine la qualité des patates douces.
Enfin, la synthèse des trois approches (morpho-agronomique, physico-chimique et
SPIR) permet d’envisager la mise au point une méthodologie globale pour l’analyse de la
qualité.
15
exemple, les couleurs de la chair et de la peau) sont contrôlées génétiquement et ne sont pas
affectées par les conditions environnementales.
Les résultats obtenus par les descriptions morpho-agro ont été analysés grâce au
logiciel Microsoft Excel.
16
II.2. Analyses physico-chimiques
La variété considérée comme étant une patate douce de qualité au Vanouatou (acc. no 180 ;
voir photo page 28) est issue des divers programmes d’amélioration génétique conduits par le
CTRAV. Celle-ci est le plus souvent consommée bouillie. Elle est notamment appréciée pour
sa couleur de chair orange foncé (riche en carotènes) et elle constitue un très bon aliment du
point de vu organoleptique (agréable en bouche) nutritionnel (forme, valeur énergétique, riche
en vitamines, minéraux…) et surtout sa bonne conservation post-récolte. Celle-ci va donc
constituer une variété de référence pour notre étude.
II.2.1. Echantillonnage
Les travaux de 2008-2009 nous servent de base pour le développement de nos modèles de
prédiction. Lors de cette étude (Lebot et al., 2009), 472 échantillons (dont 104 taros, 62
maniocs, 135 ignames et 167 patates douces) avaient été étudiés. Ces échantillons étaient
essentiellement des hybrides issus du programme d’amélioration mais aussi plusieurs variétés
locales du Vanouatou. En 2009, environ deux cents accessions supplémentaires de taro ont été
analysées pour être rajoutées à cette base de données. Enfin, en 2010 de nouveaux
échantillons de patates douces ont été préparés pour élargir la gamme variétale. Pas moins de
32 variétés étrangères ont été introduites du CIP afin d’apporter plus de diversité au
programme d’amélioration. Elles provenaient d’Inde, Indonésie, Malaisie, Philippines,
Thaïlande, Etats-Unis, Tonga, Nigéria, Brésil, Vietnam. Une fois multipliées au champ, la
plupart de ces variétés (« megaclones » du CIP) n’ont pu résister à la gale et seulement huit
sont toujours en cours d’évaluation (Tableau 1). Elles sont dans notre échantillon (Annexe 3).
Variétés Origine
13-PNG67 Papouasie-Nouvelle-Guinée
17- PNG07 Papouasie-Nouvelle-Guinée
4-PNG6 Papouasie-Nouvelle-Guinée
19-US02 Etats-Unis
20-BZ01 Brésil
21-PH03 Philippines
27-UG01 Tanzanie
3-TN01 Tonga
Les patates douces sont ensuite lavées afin d’en extraite la terre et autres impuretés.
Ceci pour rendre aisée la description morpho-agro des tubercules, mais aussi pour plus
de facilité lors les étapes suivantes.
17
Les tubercules sont ensuite épluchés puis découpés (à la main ou à l’aide d’un robot de
cuisine de type ’’Moulinex’’) en fines lamelles afin de produire le plus de surface
possible pour qu’elles puissent sécher plus rapidement.
Le séchage se fait à l’étuve à environ 60°C jusqu’à poids constant pour ne pas altérer
certains constituants majeurs par l’intermédiaire de la réaction de Maillard (réaction
chimique faisant intervenir certains constituants majeurs, notamment les protéines et
les sucres réducteurs qui interviennent lors d’un chauffage trop intense pour donner
des composés phénoliques bruns).
En raison de quelques soucis techniques (panne de l’étuve principale) survenus
lors de cette étape de séchage et du délai dont nous disposions pour l’envoi des
échantillons pour analyses chimiques, certains échantillons ont dû être séchés au
soleil. Les patates douces sont ainsi rapidement déshydratées mais il est quand même
nécessaire de terminer le séchage à l’étuve d’appoint (environ deux heures) afin de
s’assurer que toutes sont bien sèches.
Les échantillons secs sont ensuite remis dans des sacs en papiers kraft doublés d’un
sac plastique pour éviter qu’ils ne reprennent de l’humidité en attendant l’étape de
broyage.
Enfin, broyage à l’aide d’un broyeur de cuisine pour obtenir une farine très fine qui
servira par la suite aux analyses spectrométriques.
A la suite de ce processus, les échantillons de farine ont été homogénéisés au moyen
de quatre tamis avec une diminution des diamètres pour obtenir des granulés de farine
homogènes, inferieurs à 106 microns. Pour chaque échantillon, nous avons donc séparé les
farines dans deux sacs différents suivant la taille des granulés, une partie (la plus grossière)
est réservée aux analyses chimiques et une autre (la plus fine) sert pour les mesures spectrales.
18
élimination des hors types sur la base de la distance de Mahalanobis ; par
définition ils ne sont pas représentés dans le modèle,
faire la prédiction des composés majeurs pour les 96 échantillons grâce au
logiciel IndicoTM Pro (ASD, 2007) après avoir rentré toutes les calibrations de
2009,
repérer ceux dont la distance de Mahalanobis est supèrieure à 3 puis
sélectionner ceux dont la distance est inférieure à 3,
compléter avec ceux dont la distance H est la plus proche de 3,
et enfin, choisir les échantillons les plus différents possibles pour avoir la plus
grande diversité.
19
pendant quatre heures jusqu'à l’obtention de cendres blanches ou légèrement grises
selon la nature de l'échantillon. On refroidit dans un dessiccateur et on pèse à nouveau.
L'analyse est aussi effectuée deux fois et la teneur en cendres est donnée à +- % prés.
Calcul : en % de cendres pour 100 g de produit :
% en cendres = Poids après calcination - poids du creuset vide x 100 poids de l'échantillon.
Spectromètre (ASD)
Fibre optique
Sonde muglight
Connections réseau
Figure 6 : Cellule
20
Une lecture de référence (ligne de base) est prise lors du démarrage de chaque session.
Tous les spectres sont enregistrés en réflectance diffuse, log (1 / R) par rapport à la norme de
Labsphere Spectralon Reflectance Material (Labsphere, Inc). L’enregistrement des spectres
se fait grâce au logiciel INDICOTM PRO (2007, www.asdi.com).
Les dérivées
La déviation numérique des spectres est très utilisée comme méthode de prétraitement.
Elle permet de résoudre deux problèmes de base des spectres proches infrarouge :
le chevauchement des pics,
les grandes variations de la ligne de base.
Le calcul de la dérivée première permet de corriger l’effet de la variation de la hauteur
de la ligne de base. La dérivée seconde élimine les dérives verticales de la ligne de base et
augmente la résolution des pics (Bertrand et al., 2000). Les dérivées d’ordre supérieur
21
corrigent également ces phénomènes et résolvent de façon prononcée l’effet de
chevauchement des pics, mais elles sont plus sensibles au bruit et peuvent générer des
artefacts.
Un spectre de réflectance A est défini pour p longueurs d’onde régulièrement
espacées. La première dérivée A’j au point j est calculée ainsi : A’j=A(j+g)- A(j-g)
où g est l’écart ou intervalle de dérivation, Aj est la valeur de log (1/R) au point j. La
dérivée seconde est calculée de façon similaire : A’’= A(j+2g)-2Aj+ A(j-2g)
Les calculs des dérivées peuvent augmenter l’importance relative de bruit de fond des
appareils (Osborne et al., 1993) mais celui-ci est réduit en appliquant un lissage au spectre
dérive. Le traitement mathématique appliqué au spectre est donc caractérisé par trois chiffres :
l’ordre de la dérive,
le segment sur lequel la dérive est calculée,
le « degré de lissage » (nombre de points pris en compte).
La taille de l’intervalle de calcul de la dérivée (gap) est déterminante : plus celle-ci est
faible (2, 4), plus la sensibilité est grande et plus le bruit de fond est fort. Si le gap est trop
grand (>10) la sensibilité diminue et on risque alors de perdre des pics. Si on a un point tous
les nanomètres pour des produits agroalimentaires, le gap ne doit pas être supérieur a 10 (Mc
Clure, 1994). Si les acquisitions sont faites tous les deux nanomètres au plus, alors le gap doit
être encore diminué. Le gap doit être assez large pour ignorer le bruit de fond, tout en étant
suffisamment étroit pour conserver une bonne résolution. Il n’y a pas de traitement
mathématique standard. Seules l’expérience et la performance des modèles mathématiques
peuvent conduire à un choix (Shenk et Westerhaud, 1996).
La distance de Mahalanobis
La distance H de Mahalanobis permet de définir une règle d’affectation des individus
à une population. Elle est calculée par rapport au spectre moyen. Elle fournit par ailleurs, une
description de la variabilité de la population. Ce qui nous autorise à établir une limite
d’appartenance à un groupe. Il est généralement admis qu’un spectre présentant un H>3
(spectre atypique ou éloigné du groupe) a une très faible probabilité (<0,01) d’appartenance à
cette population. Les échantillons concernés (hors types) sont soit retirés de la population, soit
conservés après identification de la cause de cette valeur.
22
référence (analyses chimiques) au spectre de chaque individu (x1, x2,…, xp). Le spectre est
considéré comme étant la somme des absorbances aux différentes longueurs d’onde, il est
donc judicieux d’établir un modèle de régression linéaire multiple. C’est-à-dire, prédire la
variable y (concentrations en composés majeurs) à partir des variables spectrales x1, x2,…, xp
prises à différentes longueurs d’onde.
Le modèle de régression linéaire est donc donné par :
y=β0+ β1x1+…+ βjxp…+ βpxp+e
- β0 et β1 sont les paramètres du modèle estimé à partir des données,
- e est le terme d’erreur (ou résidu).
Sous forme matricielle, le modèle s’écrit : Y=X β+e où,
Y est la matrice des données chimiques,
X la matrice des données spectrales
Β est le vecteur dont les composantes sont constituées par les paramètres inconnus du
modèle β0, β1,…, βp.
e est le terme d’erreur.
La méthode de régression linéaire utilisée est la méthode des moindres carrés partiels (ou
Partial Least Squares = PLS).
Régression PLS
Comme dans la régression sur composantes principales, la méthode PLS consiste en
une régression de la variable à prédire y sur des variables t1, t2, … qui sont des variables
latentes (combinaison linéaire de x1, x2,…, xm) où m représente le nombre de colonnes de la
matrice X des variables prédictives. Cependant, dans la méthode PLS, les variables latentes
sont déterminées en tenant compte à la fois de la variable y et des variables prédictives x1,
x2,…, xm alors que dans la méthode de régression en composantes principales, les variables
latentes (c’est-à-dire les composantes principales elles mêmes) sont déterminées en tenant
compte des seules informations qui proviennent des variables prédictives. De ce fait, dans le
modèle PLS obtenu, il y a un nombre plus petit de variables latentes. Ce qui implique une
interprétation plus aisée des résultats et une meilleure stabilité du modèle. L’ajustement
obtenu n’est jamais idéal. Sa qualité peut être évaluée à l’aide de plusieurs paramètres
statistiques qui doivent permettre de valider ou pas le modèle établi.
23
Le coefficient de détermination (R²)
La validation du modèle de régression linéaire peut être évaluée à l’aide du rapport :
R²
R² est le coefficient de détermination. Il reflète la part de variabilité de y expliquée par le
modèle. R² est toujours compris entre 0 et 1 et est d’autant plus proche de 1 que la liaison
linéaire entre y et x est forte.
i varie de 1 à n
n : nombre d’échantillons à prédire
Le biais
Cette statistique est la différence systématique entre les valeurs de référence et les valeurs
prédites. Il doit être proche de zéro. Il est donné par :
24
tous les individus présentant un t >2,5. En fait, il s’agit d’individus présentant une mauvaise
corrélation entre la matrice des données spectrales et celle de références.
t est donné par :
Les modèles
Pour notre étude, nous avons développé deux séries de modèles différents. Une première série
basée uniquement sur des patates douces avec 190 échantillons dont nous avions les données
chimiques (concentrations en composés majeurs) ainsi que les spectres. Une seconde série de
modèle dite “toutes espèces“ a été développée grâce à 692 échantillons de taros, ignames,
maniocs et patates douces analysés entre 2008 et 2010:
Espèces accessions
Patate douce 185
Taro 310
Igname 135
Manioc 62
L’objectif est de comparer ces deux modèles afin de savoir lequel est plus fiable pour
la prédiction de l’ensemble de validation que nous avons composé durant notre étude à partir
des accessions caractérisées aux niveaux morpho-agronomique et chimique. Cet échantillon
est composé de 50 accessions prises au hasard sur les 69 analysées en 2010.
25
26
III. Résultats et Discussion
Nous présentons ci-après les résultats obtenus lors des caractérisations morpho-agronomiques
conduites en parcelles expérimentales à Santo (CTRAV) et à Efaté (Téouma et Montmartre).
Puis nous analysons les résultats des caractéristiques physico-chimiques de nos accessions et
discutons, enfin, de la performance des nouveaux modèles de calibration par SPIR que nous
avons développé dans le cadre de notre étude.
27
agronomiques distinctes mais ont en commun d’être bonnes ou très bonnes au goût. Elles
représentent nos échantillons de référence (Tableau 2).
28
idéale pour une patate douce de table. En effet, avec une telle teneur en amidon, elle n’a pas
un goût trop farineux et la quantité de sucres qu’elle contient lui donne une saveur agréable
sans que cela n’entraine un effet de satiété trop rapide. Ce qui permet donc une consommation
régulière de cette variété, d’où sa popularité actuelle sur le marché.
L’analyse en composantes principales (ACP) obtenue à partir des données chimiques
de 240 échantillons de patates douce (Figure 8) nous montre que nos cinq variétés de
référence sont assez proches les unes des autres, ce qui indique des compositions chimiques
voisines. Les variétés riches et pauvres en amidon se positionnent sur les cotés droit et gauche
de l’axe 1. Nos variétés ont des teneurs moyennes.
Figure 8 : ACP de 240 échantillons de patate douce analysés pour cinq composés majeurs
Tableau 3 : Variabilité des échantillons du modèle « toutes espèces » (n=692 acc., en %MS).
29
Dans l’ensemble, les différentes espèces de racines et tubercules utilisées pour le
développement du modèle “toutes espèces“ ont des compositions chimiques assez proches les
unes des autres. En effet, la variabilité intra-espèces est souvent supérieure à la variabilité
inter-espèces. Le principal point commun entre toutes ces RT est leur forte teneur en amidon.
Les résultats obtenus nous montrent cependant des coefficients de variations assez élevés pour
tous les composés majeurs à l’exception de celui de l’amidon. Les sucres totaux sont le
composé le plus variable avec un CV de 85,11%. Pour les protéines, la cellulose et les
minéraux les coefficients sont aussi très variables, respectivement de 51,56 ; 36,56 et 29,56%.
En ce qui concerne le modèle réalisé exclusivement avec des échantillons de patates
douces (n=190), les résultats sont présentés dans le Tableau 4. La variation en composés
majeurs est quasi similaire à celle du modèle « toutes espèces » avec l’amidon qui reste le
moins variable (CV=9,57%) et la teneur en sucres qui est toujours le facteur le plus changeant
(CV=49,12%), suivi par la teneur en cellulose (CV=34,69%), puis les minéraux
(CV=23,63%) et, enfin, les protéines (CV=21,65%).
Tableau 4 : Variabilité des échantillons du modèle « patate douce » (190 acc., en % de MS)
Tableau 5 : Corrélations entre composés majeurs et matière sèche réalisées (240 acc., %MS)
Nous voyons donc que la plupart des corrélations entre composés majeurs sont très
significatives, plus particulièrement entre l’amidon et les sucres. Ces résultats sont bien
représentés sur la Figure 10 où sont indiquées les contributions des variables à l’ACP (analyse
30
faite par XLSTAT). Les teneurs en amidon et sucres tirent dans des directions opposées les
individus de l’ACP, sur chaque côté de l’axe 1. Cette structuration de la variabilité est la
même sur les 692 acc (figure non présentée ici) ou sur les 190 accessions du modèle de
calibration pour la patate douce.
Figure 10 : ACP des données spectrales sur la région 350-2500 nm pour 12 acc. x 3 clones
31
L’ACP conduite sur 9 variables synthétiques semble donc présenter un potentiel
suffisamment discriminant pour rassembler les 3 clones de chaque variété. Ils apparaissent
plus proches les uns des autres qu’ils ne le sont des autres variétés. En faisant une ACP à
partir des données spectrales des 240 variétés de patate douce, nous pourrions donc tenter de
retrouver les mêmes grands groupes que ceux positionnés de chaque côté de l’axe 1 pour les
données chimiques. Il s’agirait de déduire qu’une patate douce située à proximité des variétés
de référence (Tableau 2) pourrait aussi être considérée comme étant de qualité. Le programme
que nous utilisons (GRAMS) permet d’extraire des variables synthétiques (10 facteurs dans ce
ca précis) représentant presque 99,9% de la variabilité totale et de produire une ACP à partir
de ces variables spectrales. La distribution des variétés sur les axes 1 et 2 de l’ACP des
spectres ne donne cependant pas la même image que l’ACP sur les cinq composés majeurs de
ces mêmes variétés (Figure 8). Les fortes et faibles teneurs en amidon par exemple, ne sont
pas distribuées de la même manière de chaque côté de l’axe 1 de l’ACP spectrale. Les
spectres sont représentés par 2150 points (tous les nm de 350 à 2500 nm) et enferment une
information beaucoup plus riche que les seuls cinq composés majeurs. Bien que des
concordances aient été rapportées dans la littérature, dans notre cas, on ne peut observer une
bonne correspondance entre l’ACP des données chimique et l’ACP des données spectrales.
Figure 11 : ACP obtenue à partir des données spectrales (1000-2400 nm) des 240
variétés de patates douces analysées chimiquement.
32
Pour cette étude, nous avons tenté d’améliorer les calibrations de l’an dernier en
ajoutant de nouveaux échantillons de taro et de patate douce à l’ancien modèle “toutes
espèces“ ce qui porte son effectif à 692 accessions (plutôt que 378 accessions pour la
calibration en 2009). En ce qui concerne le modèle patate douce, 23 échantillons ont été
ajoutés par rapport à 2009, ce qui porte l’effectif à 190 accessions.
33
Tableau 6: Comparaisons des résultats de 2009 et 2010 pour le modèle « toutes espèces »
Amidon 09 1000-2200 378 76.51 6.57 2.30 9 14 0.91 2.41 2.70 94 0.87 2.74 2.40
Amidon 10 1000-2400 692 76,38 8 2,3 14 19 0.91 2.27 1.77 50 0.79 3.42 2.34
Sucres 09 1200-2400 378 5.74 3.78 0.17 8 10 0.88 1.64 1.64 94 0.86 1.66 2.28
Sucres 10 1200-2400 692 5,74 5 0,2 36 17 0.92 1.2 0.98 50 0.75 2.49 2.01
Cellulose 09 1000-2400 378 3.34 0.94 0.10 9 8 0.29 0.98 1.13 94 0.31 1.03 0.91
Cellulose 10 1000-2400 692 3,3 1 0,1 60 10 0.48 0.59 - 50 - - -
Protéines 09 1200-2400 378 6.53 2.56 0.13 11 11 0.95 0.73 0.88 94 0.93 0.77 3.32
Protéines 10 1200-2400 692 5,9 3 0,1 35 15 0.96 0.56 0.48 50 0.84 0.66 4.52
Minéraux 09 1000-2400 378 3.89 0.88 0.08 7 11 0.70 0.57 0.70 94 0.71 0.70 1.26
Minéraux 10 1000-2400 692 3,89 1 0,1 36 13 0.83 0.43 0.39 50 0.63 0.76 1.32
Comparativement aux résultats de l’an dernier, nous avons réussi à augmenter les
valeurs des r2cv pour tous les composés majeurs à l’exception de celui de l’amidon qui est
resté à 0,91. Pour les autres composés majeurs, nous avions des coefficients de détermination
de 0,88 pour les sucres, 0,95 pour les protéines, 0,70 pour les minéraux, et enfin 0,29 pour la
cellulose.
Ces améliorations sont essentiellement dues à l’augmentation des effectifs constitutifs
des modèles (de 378 à 692 acc.). Quant à la valeur du r2cv pour l’amidon, nous pensons que
cela pourrait être dû à certaines mesures liées à la méthode de référence (analyse chimique).
En effet, l’amidon est un composé assez difficile à analyser et l’erreur-type de la méthode de
référence (SEL) est de plus ou moins 3%. Ce qui nous donne en moyenne des différences de
plus ou moins 2,3% sur la teneur réelle en amidon. Quant à la teneur en sucres, l’erreur est de
0,2% (SEL=3%) et environ 0,1% pour tous les autres composés majeurs.
Toujours en ce qui concerne l’amidon nous avons un SECV et un SEP qui sont assez
proches (respectivement 2,275 et 1,773). Toutefois, le coefficient de détermination de la
prédiction est de 0,79 et il permet donc de faire des prédictions relativement bonnes de la
teneur en amidon. Ceci est aussi valable pour la prédiction de la teneur en sucres grâce à un
r2pred de 0,75.
Le meilleur modèle est celui des protéines avec un coefficient de détermination de la
prédiction de 0,84 ainsi que des SECV et SEP très proches (respectivement de 0,559 et
0,485). Les minéraux ne peuvent pas être prédits du fait d’un r2pred trop faible (0,63). Dans
l’ensemble, nous obtenons des coefficients de détermination de la prédiction qui semblent
moins performants que ceux de l’an dernier (Lebot et al., 2009), malgré des améliorations au
niveau des r2cv.
Les Figures 13 à 16 présentent les régressions obtenues sur les échantillons de
validation (50 acc) pour l’amidon (Fig. 13), les protéines (Fig. 14), les sucres (Fig. 15), et les
minéraux (Fig. 16). Les données pour ces 50 acc. dont présentées en Annexe 7.
34
Figure 13 : Corrélation entre valeurs de référence et valeurs prédites pour l’amidon
Figure 14 : Corrélation entre valeurs de référence et valeurs prédites pour les protéines
Figure 15 : Corrélation entre valeurs de référence et valeurs prédites pour les sucres
35
Toutefois, les ratios de performance de la déviation (RPD) que nous avons obtenus
pour l’amidon et les sucres totaux sont de 2,34 et 2,01 tandis que les résultats de la précédente
étude étaient respectivement de 2,4 et 2,28 pour ces deux composés. En ce qui concerne les
protéines, la capacité de prédiction du modèle a été améliorée avec un RPD qui passe de 3,32
à 4,52. Quant aux minéraux, les résultats obtenus pour ce modèle sont considérés comme
inutilisables du fait d’un RPD de 1,32 (inférieur à 1,5). Nous pouvons donc dire que ce
modèle permet de faire des prédictions assez précises pour les protéines mais en ce qui
concerne l’amidon et les sucres, les prédictions quantitatives restent à améliorer.
L’augmentation de l’effectif des échantillons de calibration a donc permis une amélioration
du modèle « toutes espèces » et d’avoir des résultats plus fiables. Par ailleurs, en raison du
budget dont nous disposions, la gamme de validation de ce modèle n’est constituée que de 50
échantillons. En règle générale, il est conseillé d’utiliser au moins 20% de l’effectif du jeu de
calibration pour la gamme de validation (qui serait donc de 140 échantillons dans notre cas).
Tableau 7 : Comparaisons des résultats de 2009 et 2010 pour le modèle « patate douce »
Modèles Région Calibration Validation
“patate douce“ (nm) n Moy Ecart ± HT Facteurs r2cv SECV SEC n r2pred SEP RPD
%MS type erreur H>3 PLS
Amidon 09 1000-2400 133 68.97 4.53 2.07 0 9 0.80 2.60 3.18 34 0.83 2.55 1.78
Amidon 10 1000-2400 190 68,57 6,60 2,05 12 12 0.82 2,37 1,48 50 0.71 3.13 2,11
Sucres 09 1000-2400 133 10.32 3.83 0.31 0 8 0.86 1.77 2.15 34 0.91 1.53 2,16
Sucres 10 1000-2400 190 10,74 5,30 0,32 8 11 0.91 1,5 1,20 50 0.82 2.31 2,29
5
Cellulose 09 1200-2400 133 4.63 0.99 0.14 0 3 0.14 1.35 1.87 34 0.25 0.18 0,73
Cellulose 10 1200-2400 190 4,1 1,40 0,12 6 3 0.21 1,26 - 50 - - -
Protéines 09 1200-2400 133 5.78 0.92 0.12 4 9 0.88 0.41 0.61 34 0.81 0.65 2.42
Protéines 10 1200-2400 190 5,8 1,30 0,12 12 9 0.89 0,39 0.34 50 0.87 0.44 2,93
Minéraux 09 1200-2400 133 3.33 0.54 0.07 3 5 0.40 0.55 0.70 34 0.43 0.51 1,06
Minéraux 10 1200-2400 190 3,5 0,80 0,07 13 10 0.74 0,32 0.27 50 0.56 0.73 1,1
Tous les ratios de performance de la déviation (RPD) ont été bien améliorés par
rapport à la précédente étude. En effet, nous avons des RPD de 2,11 pour l’amidon, 2,29 pour
les sucres, 2,93 pour les protéines et 1,11 pour la cellulose. Cela rend donc notre modèle plus
performant. Toutefois, les données concernant les minéraux restent toujours inutilisables du
fait d’un RPD inférieur à 1,5. Par rapport au modèle « toutes espèces », celui-ci possède des
r2pred plus élevé pour les sucres et les protéines tandis que pour l’amidon, le modèle « toutes
espèces » reste plus performant. Quant aux minéraux, les valeurs de r2 restent plus élevées
dans le modèle « toutes espèces » même si les données restent inutilisables. Les Figures 16 à
19 présentent les régressions obtenues sur les échantillons de validation (50 acc.) pour
l’amidon (Fig. 17), les protéines (Fig. 18), les sucres (Fig. 19), et les minéraux (Fig. 20).
36
Figure 17 : Corrélation entre valeurs de référence et valeurs prédites pour l’amidon
Figure 18 : Corrélation entre valeurs de référence et valeurs prédites pour les protéines
Figure 19 : Corrélation entre valeurs de référence et valeurs prédites pour les sucres
Figure 20 : Corrélation entre valeurs de référence et valeurs prédites pour les minéraux
37
Nous avons également développé un autre modèle « patate douce » grâce aux 240
échantillons (190 échantillons de la calibration plus les 50 de la validation) afin de voir
l’évolution des coefficients de détermination de la calibration pour un effectif plus élevé. On
constate (Tableau 8) une augmentation du r2cv des protéines qui passe à 0,91 mais aussi pour
la cellulose, dont le coefficient augmente (r2cv=0,46). Cependant, le r2cv de l’amidon reste
inchangé malgré une augmentation des SECV (2,49) et SEC (2,27). En ce qui concerne les
sucres et les minéraux, il y a une baisse des coefficients de détermination (respectivement
0,86 et 0,72). Toutefois, on constate une amélioration des RPD pour tous les composés par
rapport au modèle à 190 échantillons. Ces résultats montrent que les modèles de l’amidon,
sucres et protéines (respectivement 2,65, 2,75 et 3,47) peuvent être utilisés pour le contrôle de
la qualité des patates douces car leurs RPD sont supérieurs à 2,5. Cependant, ces RPD ont été
calculés à partir de SECV (SD/SECV) et la fiabilité du modèle n’a pu être validée (Tableau
8).
38
III.7. Discussion
Plusieurs travaux partiels visant à décrire les caractéristiques morpho-agronomiques avaient
déjà été réalisés dans les années 1980 sur les variétés et en 2008 et 2009 sur les hybrides.
Cependant, notre étude sur les corrélations entre ces différentes caractéristiques et les données
physico-chimiques représente une première approche synthétique pour la patate douce au
Vanouatou. Les corrélations entre caractéristiques aériennes et souterraines ne sont pas
suffisamment significatives pour permettre une sélection visuelle au champ des accessions
présentant un intérêt particulier lors des cycles de sélection. Par exemple, les variétés dont la
chair est blanche ne sont pas forcément riches en amidon, les variétés dont la chair est orangée
ne sont pas forcément pauvres en matière sèche, et ainsi de suite. Ce type d’outils visuels ne
peut donc être appliqué car les coefficients de corrélations sont trop faibles. Lors les futurs
travaux de recherche visant à caractériser les critères morpho-agronomiques de la patate
douce, il serait donc judicieux de prendre en compte des descripteurs autres que ceux qui ont
été choisis lors de cette présente étude. L’usage d’un chromamètre par exemple, serait
certainement plus précis que la caractérisation des couleurs appréciée de visu avec les
descripteurs internationaux de type IPGRI. Mais pour le moment, l’absence d’outils visuels
facilement utilisables en sélection rend incontournables les onéreuses analyses chimiques
pour pouvoir apprécier la qualité des accessions.
Les corrélations entre composés majeurs et matière sèche obtenues pour notre étude
confirment celles d’une précédente étude réalisé au Vanouatou sur diverses espèces de plantes
à racines et tubercules (Champagne et al., 2009). L’amidon est positivement corrélé à la
teneur en MS mais négativement corrélé aux sucres, à la cellulose, aux protéines et minéraux.
Les sucres, la cellulose, les protéines et les minéraux sont positivement corrélés entre eux.
Enfin, les sucres, la cellulose, les protéines et les minéraux sont négativement corrélés avec la
matière sèche. Ces corrélations sont utiles pour les sélectionneurs qui doivent cribler un grand
nombre d’accessions et qui ne peuvent mesurer toutes ces variables en même temps.
En ce qui concerne la qualité de la patate douce dite « de table » au Vanouatou, c'est-à-
dire pour une consommation humaine quotidienne, le volume de données accumulé depuis
trois ans (692 acc. analysées), permet désormais de se faire une idée relativement précise de la
question. Elle ne doit pas être trop riche en matière sèche (entre 30 et 35%) et en amidon
(entre 68 et 70%) car cela la rendrait trop sèche et farineuse en bouche. Elle doit présenter des
teneurs en sucres totaux modérées (environ 10%) pour pouvoir être consommée comme un
produit amylacé de base destiné à être agrémenté plutôt que comme un dessert. Les teneurs en
cellulose, protéines et minéraux ne semblent pas avoir une incidence directe sur le goût et cela
s’observe pour les autres plantes à racines et tubercules.
Une grande diversité dans l’échantillonnage a permis une amélioration des résultats de
l’an dernier pour la SPIR. Même si les modèles ne sont pas encore parfaitement au point pour
le contrôle de la qualité et la quantification de tous les composés majeurs chez la patate douce,
notre étude montre néanmoins que la SPIR a un potentiel satisfaisant pour la quantification de
l'amidon et des sucres. Toutefois, ces résultats ne sont pas encore assez fiables pour mettre en
place un contrôle de la qualité en routine pour ces composés qui serait uniquement basé sur la
SPIR. Il semble nécessaire de faire une série d’analyses complémentaires pour optimiser les
modèles. Les résultats obtenus entre 2009 et 2010 révèlent aussi une certaine fragilité des
modèles et la sensibilité des statistiques descriptives qui sont utilisées pour les tester. Les
résultats présentés dans les Tableaux 6 et 7 montrent par exemple, pour les deux séries de
modèles, qu’une augmentation du nombre d’échantillons analysés ne se traduit pas
automatiquement par une amélioration des r2pred.
Nous pouvons cependant déterminer dès à présent et de manière assez fiable, la teneur
en protéines d’un échantillon à partir de ses données spectrales. Le niveau de précision de la
SPIR observé pour la prédiction des protéines devrait permettre aux améliorateurs de cribler
39
en routine les variétés pour leurs teneur en protéines. Les variétés ayant une haute teneur en
protéines sont recherchées pour l’alimentation animale, surtout pour l’ensilage.
Ces résultats permettent donc d’avoir une relativement bonne idée de la qualité d’un
échantillon inconnu même s’ils ne peuvent remplacer les analyses chimiques de référence.
Dans notre étude nous avons analysé des groupes de molécules. En effet, lorsque l’on parle de
sucres, par exemple, cela englobe de nombreux composés (glucose, fructose, saccharose…) et
il en est de même pour l’amidon, les protéines (qui sont en réalité l’azote total) et les
minéraux. Ces cinq « composés majeurs » sont donc en fait des groupes de molécules voisines
mais différentes. Ce mélange de molécules diverses complique d’autant plus le
développement des modèles et les risque d’erreurs dans les prédictions. On observe en effet
que le potentiel de prédiction de la SPIR est souvent mieux exprimé lorsque l’on cherche à
prédire des teneurs en molécules très précises plutôt que des groupes de composés (Amar et
al., 2009 ; Bonierbale et al., 2009 ; Lasme et al., 2008).
Les principales utilisations de la patate douce dans l’industrie agro-alimentaire
impliquent des variétés à fortes teneurs en amidon (production de nouilles, transformation en
alcool, extraction de fécule…). La composition en sucres est aussi très intéressante pour la
confection de desserts, aux Etats-Unis par exemple. En somme, nous pouvons dire que
contrôler la qualité des patates douces commence d’abord par une détermination précise des
teneurs en sucres et en amidon.
Au vu de nos résultats, il semble que le modèle « patate douce » soit plus fiable que le
modèle « toutes espèces » avec de meilleures capacités de prédiction pour les sucres et les
protéines. Cependant, les calibrations obtenus pour le modèle patate douce à 240 échantillons
sont très encourageantes avec des ratios de performance de la déviation assez élevés (Tableau
8). Le modèle « toutes espèces » permet de faire de bonnes prédictions pour les protéines et
des prédictions plus approximatives pour l’amidon et les sucres. Un tel modèle a un large
éventail de prévision qui permet l'évaluation rapide de génotypes inconnus, et il pourrait donc
être utilisé pour des identifications préliminaires.
Plusieurs données ont déjà été publiées dans la littérature, sur la prédiction de
composés majeurs pour plusieurs aliments (Tableau 9). Compte tenu du fait que le travail de
prédiction des composés majeurs de la patate douce n’en est qu’à ses débuts, nous pouvons
dire que notre étude affiche des prédictions très encourageantes. L’appréciation de la qualité
de la patate douce, évaluée à partir de la quantification des composés majeurs, pourrait être
approchée à partir de deux groupes de composés corrélés négativement : l’amidon d’un côté,
et les sucres, les protéines et les minéraux de l’autre. Si les r2pred pour l’amidon restent
relativement faibles (0,71 pour le modèle « patate douce » et 0,79 pour le modèle « toutes
espèces »), les r2pred pour la somme (sucres+protéines+minéraux) sont supérieurs (0,85 et 0,83,
Annexe 7). Par ailleurs, la somme des cinq composés majeurs, est en moyenne de 92,8% de la
MS et elle varie très peu (CV% de seulement 3,45% sur 240 échantillons) (Annexe 3). Les
prédictions SPIR qui donneraient des sommes supérieures ou inférieures pourraient donc être
considérées comme douteuses.
Enfin, dans le cadre de notre étude, nous avons tenté d’utiliser les données spectrales
pour faire des ACP et des CAH destinées à cerner de grands groupes de variétés ou à
identifier les variétés dont les spectres seraient voisins de ceux des variétés de qualité que
nous connaissons (Tableau 2). Si une première ACP conduite sur 12 variétés et trois clones de
chaque, montre que la projection sur les axes 1 et 2 rassemble les clones entre eux pour
chaque variété, les tentatives faites sur notre échantillonnage, que ce soit en ACP (GRAMS)
ou en CAH (DARWIN) ne donnent pas de classifications satisfaisantes. Cette absence de
concordance provient très certainement de la richesse d’informations contenues dans les
spectres qu’il conviendrait d’organiser au préalable (réduction de la plage spectrale par ex,
augmentation du pas de lecture de 1 à 2 ou 4 nm… etc).
40
Tableau 9 : Quelques résultats comparatifs obtenus par SPIR pour l’amidon, les protéines, la
cellulose et les minéraux
Le dosage précis de l’amidon n’est pas une tâche facile et la plupart des laboratoires
rencontrent des difficultés, surtout avec des échantillons dont les teneurs de la MS sont aussi
élevées. Il est donc possible que nos r2pred puissent être améliorés en analysant plusieurs fois,
chimiquement, les mêmes échantillons pour avoir des valeurs plus précises et en prenant une
centaine (plutôt que 75 comme dans notre étude) de spectres par échantillon pour en faire le
spectre moyen, lui aussi plus précis.
41
42
Conclusions
La description des caractéristiques morpho-agronomiques sont nécessaires aux programmes
d’amélioration génétique et se font en routine sur les variétés des collections et sur les
hybrides issus de croisements. Si elles sont très efficaces pour certains caractères, la qualité
reste très difficile à apprécier directement à partir de ces descripteurs. Il était utile de voir si
certains de ces caractères pouvaient être corrélés avec certaines caractéristiques chimiques
mais les résultats indiquent que ces corrélations, lorsqu’elles existent, sont trop faibles pour
être utilisables. Au Vanouatou, comme dans bon nombre de pays de la zone tropicale humide,
les consommateurs apprécient les variétés de patate douce dont la chair est colorée.
L’industrie par contre, recherche des variétés à la chair blanche. La sélection pour la couleur
est facile à réaliser au champ sur des centaines d’accessions mais les coefficients de
corrélations ne peuvent nous indiquer si des composés majeurs pourraient être sélectionnés
indirectement à partir de ces couleurs.
Les analyses physico-chimiques sont nécessaires aux programmes d’amélioration qui
visent à améliorer génétiquement la qualité et qui doivent, pour ce faire, cribler des milliers
d’accessions. Elles sont aussi nécessaires aux filières industrielles et in fine pour les
consommateurs qui attendent un produit standardisé. Bien que les méthodes analytiques de
référence soit fiables, elles sont souvent très couteuses, longues à mettre en œuvre et quelques
fois dangereuses de part la nécessaire utilisation de produits toxiques. Surtout dans les pays en
voie de développement. Actuellement, la SPIR représente une technique d’analyse très
utilisée pour le contrôle de la qualité car rapide, non polluante et peu onéreuse. Elle permet de
réaliser un gain de temps considérable, pour la détermination des composés majeurs,
notamment pour les céréales où les filières l’utilisent déjà en routine. Son application
potentielle aux plantes à racines et tubercules comme la patate douce méritait donc d’être
étudiée. C’est ce que nous avons fait.
La SPIR permet de faire dès à présent une bonne prédiction des teneurs en protéines
des patates douces et pourrait donc être utilisée en routine. En ce qui concerne les deux
composés les plus importants, l’amidon et les sucres totaux, les résultats sont de moindre
ampleur. Cependant, les nouvelles calibrations obtenues à partir de 240 échantillons
mériteraient d’être testées sur un jeu supplémentaire d’échantillons analysés par les méthodes
de référence car il semble que les modèles se soient améliorés si on en juge par les valeurs des
RPD. Les minéraux ne peuvent être prédits que de façon très approximative et la cellulose ne
peut être prédite. D'autres constituants tels que l'amylose, les caroténoïdes, ou des sucres
individuels devrait être étudiés.
Le fait de cerner la qualité de la patate douce « de table » à partir de sa composition
chimique incite à orienter les futures recherches vers une amélioration des calibrations pour
l’amidon et les sucres. Ces deux composés majeurs représentent en moyenne plus de 80% de
la MS et influencent considérablement les caractéristiques organoleptiques. Il s’agit des
principaux caractères d’intérêt, pour les consommateurs et pour les industries agro-
alimentaires. Mais la mise en place de calibrations pour le contrôle en routine de la patate
douce constitue un lourd investissement compte tenu du coût des analyses chimiques, de la
diversité des génotypes à étudier et du grand nombre d’échantillons qui doivent être pris en
compte. En effet, les excellents modèles obtenus pour la prédiction des protéines du blé par
exemple ont été construits sur la base de milliers d’échantillons (Bertrand et Dufour, 2006).
Toutefois, les gains de temps et d’argent qui ont été réalisés grâce à la SPIR sont actuellement
considérables. Il serait donc intéressant de faire un investissement similaire pour les RT.
La spectroscopie apparaît donc comme un outil de choix pour la détermination des
teneurs en composés majeurs de la patate douce. La sélection des variétés conformes à
l’idéotype que l’on s’est fixé pourra se faire d’autant plus facilement que de grands nombres
d’accessions pourront être criblés.
43
44
Références Bibliographiques
Alasalvar, C., Grigor, J.M., Zhang, D., Quantick, P.C., Shahidi F., 2001. Comparison of
volatiles, phenolics, sugars, antioxidant vitamins, and sensory quality of different
coloured carrot varieties. Journal of Agricultural and Food Chemistry, 49, 1410-1416.
Amar, S., Becker, H.C., Möllers, C., 2009. Genetic variation in phytosterol content in winter
rapeseed (Brassica napus L.) and development of NIRS calibration equations. Plant
Breeding 128 : 78-83.
Barnes, R. J., Dhanoa, M.S. 1989. Standard Normal Variate Transformation and Detrendind
of Near-Infrared Diffuse Reflectance Spectra. Society for Applied Spectroscopy,
43(5): 772-777.
Baye, T., Becker, H., 2004. Analyzing Seed Weight, Fatty Composition, Oil and Protein
Contents in Vernonia galamensis germplasm by Near-Infrared Reflectance
Spectroscopy. Journal of the American Oil Chemistry Society 81 (7) : 641-645.
Berardo, N., Mazzinelli, G., Valoti, P., Laganà, P., Redaelli, R., 2009. Characterization of
Maize Germplasm for the Chemical Composition of the Grain. Journal of Agricultural
and Food Chemistry 57 : 2378-2384.
Bertrand, D., 2002. La spectroscopie proche infrarouge et ses applications dans les industries
de l’alimentation animale. 2002, INRA Prod. Anim., 15, 209-219.
Bertrand, D., Dufour, E. (Eds)., 2006. La spectroscopie infrarouge et ses applications
analytiques. Editions Lavoisier, Paris. 660p.
Bonierbale, M. Grüneberg, W., Amoros, W., Burgos, G. Salas, E., Porras, E., Zum
Felde, T., 2009. Total and individual carotenoid profiles of Solanum phureja
cultivated potatoes : II. Development and application of near-infrared reflectance
spectroscopy (NIRS) calibrations for germplasm characterization. Journal of Food
Composition and Analysis 22 : 509-516.
Bradbury, J.H., Holloway, W.D., 1988. Chemistry of Tropical Root crops: Significance for
nutrition and agriculture in the pacific. ACIAR Monograph No. 6, Canberra.
Champagne, A., 2010. Diversité chimique et biofortification des plantes à racines et
tubercules tropicales : Caractérisation des parents et élaboration de protocoles
permettant l’optimisation de la sélection. Thèse de Doctorat. Université de St Ettienne.
210p.
Champagne, A., Legendre, L., Lebot, V., 2009. Chemomtype profiling to guide breeders
and explore traditional selection of tropical root crops in Vanuatu, South pacific.
Journal of Agricultural and Food Chemistry 57, 10363-10370.
Collins, J.L., Liao, J.Y., Penfield, M.P., 1995. Chemical, physical and sensory attributes of
formed and frozen, baked sweetpotato. Journal of Food Science 60, 465-467.
Crosnier, J.C., Montigny, C., 1981. Agronomie et qualité de la pomme de terre. Proc. 8th
EAPR trien. Conf. Münich, 55-79.
Edelmann, A., Diewok, J., Schuster, K.C., Lendl B., 2001. Rapid method for the
Discrimination of Red Wine Cultivars Based on Mid-Infrared Spectroscopy of
Phenolic Wine Extracts. Journal of Food Chemistry 49 : 1139-1145.
Engel, F, 1970. Exploration of the Chicla canyon, Peru. Current Anthropology 11(1), 55-58.
Ferrion, J.P., Bertran, E., Nachiit, M.M., Royo, C., Araus, J.L., 1999. Near infrared
reflectance spectroscopy as a new screening tool to increase durum wheat yield.
CIHEAM – Options Méditérannéennes : 141-144.
Gibson R.W., 2004. An overview of sweetpotato viruses in Africa. IITA, Hughes and Odu
(Eds). In plan virology in sub-saharan Africa. Pp 61-111. Ibadan, Nigéria.
Haase, N.U. 2006. Rapid Estimation of Potato Tuber Quality by Near-Infrared Spectroscopy.
Starch/Stärke 58 : 268-273.
45
Habegger, R., Schnitzler, W.H., 2005. Aroma compounds of coloured carrots (Daucus
carota L. ssp. sativus Hoffm.). Journal of Applied Botany and Food Quality, 79, 130-
135.
Hart, J.R., Norris K.H., Golumbic C., 1962. Determination of the moisture content of seeds
by near-infrared spectroscopy of their methanol extracts. Cereal chem., 39, 94-99.
Huaman, Z., 1991. Descripteurs pour la patate douce. Conseil international des ressources
phytogénétiques, Rome, Italie.
Jiang, H.Y., Zhu, Y.J., Wei, L.M., Dai, J.R., Song, T.M., Yan, Y.L., Chen, S.J., 2007.
Analysis of protein, starch and oil content of single intact kernels by near infrared
reflectance spectroscopy (NIRS) in maize (Zea mays L.). 2007. Plant Breeding 126 :
492-497.
Jones, A., 1986. Sweet potato heritability estimates and their use in breeding. HortScience
21(1), 14-17.
Kim, S.W., Min, S.R., Kim, J., Park, S.K., Kim, T.I., Liu, J.R., 2009. Rapid discrimination
of commercial strawberry cultivars using Fourier transform infrared spectroscopy data
combined by multivariate analysis. Plant Biotechnol. Rep. 3 : 87-93.
Lasme, P., Davrieux, F., Montet, D. and V. Lebot. 2008. Quantification of kavalactones
and determination of kava (Piper methysticum) chemotypes using Near-Infrared
Reflectance Spectroscopy for quality control in Vanuatu. J. Agric. Food Chem. 56,
4976–4981.
Lebot, V., 2009. Tropical Root and Tuber Crops. CAB International. 413p.
Lebot, V., Champagne, A., Malapa, R. and D. Shiley., 2009. NIR Determination of Major
Constituents in Tropical Tuber Crop Flours. Journal of Agricultural and Food
Chemistry 57 : 10539-10547.
León, L., Garrido-Varo, A., Downey, G., 2005. Near Infrared Spectroscopy (NIRS) as a
promising Selection Tool in Olive Breeding Programs. Information and Technology
for Sustainable Fruit and Vegetable Production. FRUTIC, 12-16 Sept. 2005,
Montpellier, France, Sensors Eds : 465-471.
Lu, G., Huang, H., Zhang, D., 2006. Application of near-infrared spectroscopy to predict
sweetpotato starch thermal properties and noodle quality. Journal of Zhejiang
University Science B 2006 7(6):475-481.
Montes, J.M., Utz, H.F., Schipprack, W., Kusterer, B., Muminovic, J., Paul, C.,
Melchinger, A.E., 2006. Near-Infrared spectroscopy on combine harvesters to
measure maize grain dry matter content and quality parameters. Plant Breeding 125 :
591-595.
Montigny, C., 1983. Adaptation de la pomme de terre aux besoins des industries
alimentaires. Pomme de terre fr., 414, 11-22.
Munck, L., B. Møller. 2005. Principal Component Analysis of Near Infrared Spectra as a
Tool of Endosperm Mutant Characterization and in Barley Breeding for Quality.
Czech. Journal of Genetics and Plant Breeding 41 (3) : 89-95.
Oliveros, M.S., Sumabat, L.M., 1968. Ascorbic acid losses in some cooked vegetals. I.
Petsay and kamote leaves. Phil. J. Nutr. 21 (4): 241-51.
Olson, J.A., 1989. Provitamin A Function of Carotenoids: The Conversion of {beta}-
Carotene intoVitamin A. Journal of Nutrition, 119, 105-108.
Osborne, B.G., Fearn, T., Hindle, P.H. (eds) 1993. Practical NIR Spectroscopy with
application in food beverage analysis. Longman Scientific and technical, Harlow,
England. 227 p.
Rakszegi, M., Boros, D., Kuti, C., Làang, L., Bedō, P.R. Shewry. 2008. Composition and
End-Use Quality of 150 Wheat Lines selected for the HEALTHGRAIN Diversity
Screen. Journal of Agricultural and Food Chemistry, 56 : 9750-9757.
46
Ratcliffe, M., Panozzo, J.F., 1999. The Application of Near Infrared Spectroscopy to
Evaluate Malting Quality. Near Infrared Spectroscopy 105 (2) : 85-88.
Rouselle, P., Robert, Y., Crosnier, J.C., 1996. La pomme de terre : production,
amélioration, ennemis et maladies, utilisations. INRA Editions, Paris.
Shenk, J.S., Westerhaus, M.O., 1996. Routine Operation and Calibration Development
Manuel. NIRS 2 version 4: 278-279.
Silue, Y., 2008. Mémoire de Master. Mise en place d’un système de contrôle qualité par
spectrométrie proche infrarouge de kava sec à l’exportation. SUPAGRO, Institut des
Régions Chaudes, Montpellier, 63p.
Silva , J.L., Yazid M.D., Ali, M.D., Ammerman, G.R., 1989. Effect of processing methods
on products made from sweet potato mash. Journal of Quality, 11, 387-396.
Ugent, D., Pozorski, S., Pozorski, T., 1983. Archeological remain of potato and sweet potato
tubers from the Casma Valley in Peru. Spanish. Bol. Lima 5 (25): 28-44.
Van de Laer, G., Rolot, J-L., Dardenne P., Agneessens R., 2001. Qualité des pommes de
terre : nouvelles méthodes d’évaluation calibrées sur l’analyse sensorielle. Biotechnol.
Agron. Soc. Environ. 2001 5 (3), 166–170.
Woolfe, J.A., 1992. Sweet Potato, an untapped food resource. Cambridge University Press,
Cambridge, UK, 643p.
Yee, N., Bussell, W.T., Coghill, G.G., 2006. Use of near infrared spectra to identify cultivar
in potato (Solanum tuberosum) crisps. New Zealand Journal of Crop and Horticultural
Science 34 : 177-181.
Zum Felde, T., Burgos, G., Carpio, R., Eyzaguirre, R., Porras, E., Grüneberg W., 2009.
Screening for protein, ß-carotene, iron, zinc, starch and individual sugars in
sweetpotato germplasm accessions by near-infrared reflectance spectroscopy (NIRS).
Presentation to the 15th International Symposium of the ISTRC, CIP, Lima, Peru.
47
48
Annexes
Annexe 1 : Carte du Vanouatou
49
Annexe 2 (d’après Huaman, 1991):
Les descripteurs morpho-agronomiques des parties aériennes sont les suivants :
Couleurs prédominantes de la tige et des pétioles :
Il s’agit d’indiquer la couleur prédominante ainsi que la distribution de la couleur
pourpre anthocyannée sur les tiges et pétioles de la feuille :
o 1 : vert,
o 3 : vert avec quelques taches pourpres,
o 4 : vert avec plusieurs taches pourpres,
o 5 : vert avec plusieurs taches pourpres foncées,
o 6 : la plupart pourpre,
o 7 : la plupart pourpre foncée,
o 8 : totalement pourpre
o 9 : totalement pourpre foncée.
50
Pigmentation de la veine abaxiale de la feuille :
C’est la description de la plus fréquente expression de la distribution de la couleur
pourpre sur veines de la face inférieure des feuilles.
o 1 : jaune,
o 2 : vert,
o 3 : taches pourpres sur la base de la nervure principale,
o 4 : taches pourpres sur plusieurs veines,
o 5 : nervure principale partiellement pourpre
o 6 : nervure principale pour la plupart ou totalement pourpre,
o 7 : toutes les veines partiellement pourpres,
o 8 : toutes les veines pour la plupart ou totalement pourpres,
o 9 : face intérieure et veines totalement pourpres.
Pour les parties souterraines, les descripteurs choisis dont les suivants :
Forme des racines
51
Couleur prédominante de la peau :
La couleur de la peau la plus représentative doit être enregistrée.
o 1 blanc
o 2 crème
o 3 jaune
o 4 orange
o 5 orange brunâtre
o 6 rose
o 7 rouge
o 8 rouge pourpre
o 9 pourpre foncé
52
o 3 crème foncé
o 4 jaune pale
o 5 jaune foncé
o 6 orange pale
o 7 orange intermédiaire
o 8 orange foncé
o 9 fortement pigmenté en pourpre anthocyanique
53
Caractérisations morpho-agronomiques
ROBA 8 0 9 2 0 6 7 5 6 6 7
HYB 105 2 4 9 1 0 8 3 5 6 4 0
RV 15 1 2 8 6 1 9 7 5 6 6 7
HYB 120 1 5 2 1 6 9 3 2 6 6 3
PLY 19 1 2 3 1 0 3 3 5 6 6 3
HYB 110 1 5 8 1 0 5 1 2 2 6 5
SEB 4 2 0 9 1 0 4 4 5 6 4 0
SI 226 2 5 8 6 1 4 3 5 2 4 0
L 949 7 3 8 6 3 3 3 2 2 4 0
RV 1 1 0 9 6 1 1 1 2 2 6 5
3-TN01 1 0 0 6 1 1 5 2 3 2 4 3
4-PNG 6 1 2 3 1 6 4 3 5 7 8 4 1
5 3 5 7 8 4 1
6 3 2 2 2 6 3
10 3 1 8 6 6 1
11 3 1 2 5 6 3
PNG 67 1 1 0 6 1 2 3 2 7 2 4 0
14 3 2 2 6 4 1
15-CH 1 0 1 6 1 5 3 2 2 6 4 0
16 1 2 3 2 3 1
17 2 6 6 1 0 4 3 1 7 6 4 1
18 1 2 3 2 6 3
19-MS 02 8 4 0 6 4 1 1 2 3 2 6 3
20-BZ01 1 1 0 7 1 2 3 2 2 6 4 1
21-PH03 8 4 0 6 4 4 3 1 3 5 4 1
23 3 3 6 2 5 7
24 3 2 6 2 4 1
25 7 1 3 4 0 3 1 2 3 5 6 7
26 3 2 2 2 3 0
27 1 0 0 7 1 1 2 2 3 5 6 7
28 1 2 7 2 4 1
29 1 1 2 6 6
H4 3 5 3 7 7 1 1 1 1 2 4 1
H6 1 2 1 1 1 4 1 2 1 3 4 1
H13 4 5 8 4 2 2 3 2 6 6 4 1
H17 6 5 8 4 1 7 3 2 2 6 6 3
H23 6 4 3 8 1 9 3 5 5 6 4 1
H32 2 5 3 6 1 3 3 5 5 6 6 3
H39 5 5 3 7 0 1 5 2 2 6 4 1
H42 2 5 3 6 1 4 3 2 2 3 4 0
H43-
1 5 5 6 0 4 8 2 2 3 4 0
H39
H33 5 5 8 4 2 2
T1 3 6 3 6 0 1 2 2 7 2 5 7
T2 1 0 1 1 0 1 8 2 7 6 4 0
T3 1 0 0 1 0 4 3 2 3 3 4 3
T4 3 6 3 7 0 1 9 5 5 8 6 5
54
T5 1 4 3 7 4 1 9 2 5 3 4 0
T6 3 6 3 6 0 1 9 2 5 3 4 0
T7 6 5 3 7 0 1 5 2 5 3 4 0
T8 3 0 0 2 0 1 1 2 3 2 3 1
T9 4 3 3 6 0 7 9 2 P 8 4 1
T10 2 0 0 1 0 2 9 5 P 8 3 1
T11 5 5 8 6 0 1 4 2 5 8 3 1
T12 4 4 3 6 3 1 9 2 6 3 4 0
T13 6 4 8 8 4 2 9 2 6 3 4 0
T14 2 0 0 1 0 2 3 2 3 8 3 1
T15 7 5 5 5 8 5 5
T16 5 5 5 5 8 4 3
T17 3 3 2 3 3 6 5
T18 2 5 3 6 0 2 5 5 5 5 3 3 1
T19 4 5 3 6 0 7 5 5 2 6 8 4 3
T20 3 4 2 3 8 4 0
T21 9 9 9 7 8 3 1
T22 6 5 2 5 3 4 0
T23 5 5 5 6 8 3 1
T24 R 8 9 4 9 2 5 5 5 5 8 3 5
T25 5 5 3 6 0 2 4 3 5 9 8 4 1
T26 4 5 3 6 1 2 5 5 5 5 8 3 3
T27 5 5 3 6 0 1 1 1 2 2 2 6 5
T28 6 5 5 4 0 2 3 3 5 9 8 4 3
T29 1 0 0 1 0 1 3 3 2 3 2 3 0
T30 9 4 3 4 2 1 5 6 2 9 8 4 1
T31 4 4 3 1 0 1 9 9 2 5 3 4 3
T32 4 6 3 4 6 7 4 4 2 5 8 4 5
T33 9 4 3 4 0 2 9 9 2 2 8 4 1
T34 8 4 8 6 4 4 3 3 5 5 8 3 3
T35 1 8 8 8 0 2 5 6 2 9 8 4 1
T36 1 8 8 8 0 2 5 5 2 5 8 6 5
T37 5 4 8 8 4 1 9 9 2 5 8 5 5
T38 5 8 8 6 0 2 4 4 2 3 8 6 7
T39 6 8 3 6 0 2 3 3 2 3 3 4 1
T40 9 1 5 1 0 3 4 5 2 5 8 4 5
T41 4 5 6 6 2 4 6 6 5 5 8 6 7
T42 3 5 3 6 3 4 3 1 2 2 3 6 3
T43 8 9 9 4 0 4 9 9 2 3 8 3 3
T44 8 8 3 4 0 8 3 1 2 3 3 4 0
T45 6 4 3 6 5 1 9 5 2 3 3 4 1
T46 4 8 3 7 9 7 9 9 2 9 7 4 0
T47 4 8 3 7 3 9 3 3 2 5 8 4 3
T48 9 9 4 9 0 9 3 1 2 5 8 6 3
T49 6 4 1 1 4 6 3 3 2 3 3 4 1
T50 6 4 1 4 0 1 4 3 2 5 3 4 1
T51 8 9 8 6 4 4 8 9 2 3 3 4 0
T52 5 8 3 6 0 2 5 4 2 3 8 5 5
T53 2 5 8 6 0 2 5 4 2 2 8 4 3
T54 2 5 8 6 0 1 5 9 2 2 7 3 1
T55 4 5 3 6 0 1 1 1 2 2 2 3 3
T56 6 5 3 8 0 3 8 9 5 9 7 3 1
T57 3 8 3 8 0 1 9 9 5 6 7 4 0
T58 6 8 3 6 0 1 5 5 2 5 8 3 3
55
T59 6 8 3 8 0 1 9 7 2 3 8 4 1
T60 8 0 0 8 4 3 4 3 2 5 8 4 3
T61 2 5 8 6 0 2 9 9 5 9 8 4 5
T62 8 9 8 4 0 9 7 5 2 5 3 4 1
T63 1 8 8 6 0 2 9 9 5 6 8 3 1
T64 3 8 8 6 0 2 7 7 2 3 8 4 0
T65 2 8 8 6 0 2 7 7 2 6 3 4 0
T66 9 2 2 8 0 9 5 5 2 6 3 4 0
T67 5 8 3 8 0 1 9 9 2 5 8 4 3
T68 9 2 9 6 0 5 9 9 2 6 8 3 1
T69 8 9 8 6 0 4 9 9 2 6 8 4 1
T70 2 8 8 8 0 3 3 4 2 3 3 4 1
180-VL 7 3 8 4 0 4
180-AN 7 3 8 4 0 4
M1 4 0 0 2 6 4
M2 5 4 8 9 4 4
M2bis 5 4 8 9 4 4
M180 8 3 8 4 0 4
M180bis 8 3 8 4 0 4
H12 8 0 0 9 4 8 3 3 2 2 7 4 0
H14 4 8 3 8 0 4 3 3 5 5 8 3 1
H15 5 7 3 6 1 4 1 1 2 2 7 4 0
H16 8 0 0 9 4 9 3 1 2 2 2 4 1
H18 1 8 8 1 0 4
H19 7 4 3 6 4 4
H20 5 0 0 9 0 3
H21 3 8 3 8 0 1 3 1 2 2 2 4 0
H22 1 5 8 1 0 2
H23 5 4 2 9 0 9 3 1 3 2 7 4 0
H24 9 4 3 4 2 4 3 3 2 7 8 4 0
H29 7 8 5 4 0 3 6 3 2 2 5 4 1
H30 5 8 8 2 0 3 6 3 2 2 2 6 6
H34 1 8 6 1 0 1
H35 7 4 3 6 2 1
H37 6 7 6 2 0 3
H38 6 4 9 4 0 5 3 3 5 2 8 2 0
H40 7 4 5 8 4 2
H41 2 8 8 8 0 4 1 1 2 2 2 3 1
H44 7 4 3 8 4 3 1 1 2 2 5 3 1
H46 9 4 1 4 0 9 3 3 5 6 8 4 0
H47 5 4 3 9 3 2 3 3 5 7 8 3 1
H48 3 8 8 8 0 1 3 3 2 2 3 4 0
H49 3 8 3 8 0 1 1 1 5 7 7 4 0
H7 3 8 3 8 6 1 5 3 2 2 3 4 0
H8 2 5 3 6 1 4 7 6 5 5 8 3 0
VL-17 4 7 3 8 0 1 4 3 2 6 3 4 0
VL-18 6 8 8 4 0 3 6 3 2 1 3 6 7
VL-19 4 3 2 5 3 3 1
VL-14 B 2 0 0 9 1 2 6 4 2 3 8 3 0
VL-16 9 1 1 8 0 4 6 5 2 1 8 4 0
VL-15 2 5 3 8 0 4 7 5 2 5 8 3 1
VL-14 A 4 0 0 8 1 1 4 3 2 1 2 3 1
VL-6 B 3 2 2 7 3 3 0
VL-9 1 0 0 7 1 4 7 7 5 7 8 6 7
56
1306 A 3 3 2 5 2 3 1
?? 1 1 2 1 3 4 1
VL-5 4 3 2 7 7 3 1
VL-4 8 4 8 9 4 2 5 4 5 7 8 4 1
VL-8 1 0 0 6 1 9 7 5 5 7 9 6 7
VL-6 A 1 5 8 1 0 3 3 1 2 1 7 3 0
1877 2 2 2 1 2 4 2
1879 1 9 4 1 0 4 3 3 2 5 8 3 1
Hyb 104 5 4 2 1 3 2
Hyb 140 3 5 3 8 0 1 7 5 2 5 3 3 0
Hyb 139 3 3 5 7 8 3 0
Hyb 164 3 3 2 5 7 4 1
1432 A 3 3 2 1 7 3 1
lB 1165 3 3 5 6 8 3 0
IB 1607 3 3 5 6 8 3 0
Hyb 161 7 3 6 9 0 2 6 4 2 3 5 6 5
Hyb 172 5 7 8 9 0 1 7 6 2 6 3 4 0
Hyb 163 7 6 5 1 7 6 7
1665 A 4 0 0 8 1 4 7 7 5 7 9 6 7
IB 1306 8 9 6 4 0 3 5 4 5 6 8 3 1
IB 1318 1 1 2 1 8 3 0
lB 1148 3 1 2 3 3 5 7
IB 1432 5 5 5 7 9 6 7
IB 253 5 4 2 1 8 3 3
PLY 20 5 4 5 5 8 3 3
IB 1745 3 3 2 1 8 6 7
IB 1433 9 8 2 1 8 4 3
IB 1292 1 1 2 1 2 4 1
IB 1678 3 3 2 3 7 5 5
??? 2 0 0 1 6 2 3 1 2 5 5 5 6
Ero-IB? 3 3 2 1 8 6 7
BANKS 2 0 0 1 6 2 4 3 2 5 3 5 7
IB 1891 4 0 0 8 2 2 5 4 3 7 7 4 0
IB1 883 1 1 2 1 2 3 3
MK1431 5 4 2 5 3 3 0
BANKS 4 3 5 5 8 3 3
RV30 2 0 0 9 0 3 3 1 2 1 2 3 3
Salili181 1 0 0 6 1 8 7 6 5 7 9 6 6
SaIB1164 3 3 5 6 8 3 0
IB1879 3 0 0 8 0 3 7 6 5 7 9 6 6
abe1665 3 3 5 6 8 3 0
Epi-1531 4 3 2 5 2 3 3
57
Annexe 3 : Résultats des analyses des composés majeurs, leur total et le % de la MS
no Acc. amidon sucres cellulose protéines minéraux total MS%
58
no Acc. amidon sucres cellulose protéines minéraux total MS%
54 Hyb 541 64.59 9.15 6.03 5.90 3.38 89.05 26.98
55 Hyb 542 59.93 10.60 5.47 9.97 4.12 90.09 27.00
56 Hyb 543 62.39 10.30 6.70 6.03 4.45 89.87 22.87
57 Hyb 544 70.40 6.56 4.88 5.60 3.06 90.50 31.25
58 Hyb 545 71.70 6.94 7.38 5.41 2.94 94.36 35.09
59 Hyb 546 65.55 9.29 4.87 6.32 3.21 89.24 28.39
60 Hyb 547 73.29 6.82 5.64 5.26 2.98 93.99 34.37
61 Hyb 548 72.79 6.69 3.87 6.17 2.97 92.50 32.35
62 Hyb 549 71.98 7.14 2.95 4.68 2.78 89.53 36.07
63 Hyb 550 75.93 6.64 2.92 4.81 2.83 93.13 32.69
64 Hyb 551 65.71 10.38 5.04 4.68 3.32 89.13 27.00
65 Hyb 552 76.51 5.73 3.49 4.74 2.83 93.30 35.71
66 Hyb 553 71.89 10.04 5.05 5.41 3.22 95.61 30.84
67 Hyb 554 72.47 9.90 3.75 4.56 3.21 93.89 30.38
68 Hyb 555 71.87 7.76 3.26 5.89 2.99 91.77 63.29
69 Hyb 556 79.29 5.68 3.48 3.63 2.49 94.57 37.99
70 Hyb 557 75.95 6.81 3.46 4.12 2.58 92.91 34.09
71 Hyb 558 76.21 4.56 2.87 4.12 2.54 90.30 36.81
72 Hyb 560 80.99 2.58 2.66 4.83 2.59 93.65 33.90
73 Hyb 561 73.21 5.16 3.68 6.52 3.05 91.62 27.90
74 Hyb 562 72.61 4.15 3.77 5.55 3.35 89.43 26.37
75 Hyb 563 75.28 4.61 3.29 5.46 3.24 91.88 11.62
76 Hyb 565 71.44 6.15 3.32 6.12 3.94 90.98 26.52
77 Hyb 566 70.96 6.38 3.61 5.20 3.62 89.76 28.13
78 Hyb 568 68.38 7.95 4.62 5.02 4.08 90.06 22.27
79 Hyb 570 65.84 8.68 4.19 7.74 4.03 90.47 25.32
80 Hyb 572 69.68 6.03 4.16 6.29 3.59 89.75 28.48
81 Hyb 573 74.82 4.19 3.81 5.17 3.62 91.62 27.90
82 Hyb 579 76.21 5.51 3.21 3.13 2.96 91.03 25.39
83 Hyb 580 76.34 3.52 3.56 5.44 3.16 92.02 30.42
84 Hyb 581 75.09 4.90 3.16 4.51 3.18 90.83 30.29
85 Hyb 582 83.83 3.03 3.15 3.72 2.53 96.26 35.62
86 Hyb 585 74.39 5.15 3.66 5.20 6.48 94.87 27.95
87 Hyb 587 74.23 6.17 2.97 5.61 3.19 92.17 35.92
88 Hyb 591 77.17 3.11 3.55 5.23 3.46 92.51 26.76
89 Hyb 593 74.59 4.46 3.20 6.89 3.48 92.62 31.77
90 Hyb 595 81.36 4.56 8.28 3.58 2.46 100.24 31.60
91 Hyb 596 79.83 2.82 2.93 4.45 2.06 92.09 37.94
92 Hyb 597 74.42 6.59 3.40 6.07 3.15 93.63 32.49
93 Hyb 599 80.59 3.40 3.60 2.67 2.67 92.92 31.98
94 Hyb 605 60.09 17.38 4.09 5.30 3.55 90.41 27.73
95 Hyb 608 58.78 15.63 3.47 7.71 3.71 89.29 24.26
96 Hyb 609 68.09 13.40 2.88 6.22 2.88 93.47 33.25
97 Hyb 610 53.68 25.29 4.01 7.56 5.61 96.16 21.74
98 Hyb 611 67.88 13.53 3.87 4.53 3.47 93.28 31.47
99 Hyb 612 68.37 12.97 4.04 5.98 2.94 94.30 32.00
100 Hyb 613 60.60 16.31 4.71 6.06 3.70 91.37 27.00
101 Hyb 615 72.73 9.91 2.73 5.22 2.71 93.29 33.70
102 Hyb 616 64.76 15.70 3.30 6.04 5.73 95.52 25.44
103 Hyb 617 54.41 16.55 12.56 7.31 5.69 96.53 24.79
104 Hyb 618 72.36 10.62 3.30 5.60 3.03 94.91 36.41
105 Hyb 619 74.42 10.47 3.89 5.98 2.96 97.72 35.23
106 Hyb 620 65.22 12.44 3.10 6.32 3.50 90.59 28.39
107 Hyb 622 63.07 13.90 4.16 4.69 3.49 89.31 30.01
59
no Acc. amidon sucres cellulose protéines minéraux total MS%
108 Hyb 623 72.97 10.31 4.19 5.48 2.58 95.53 36.99
109 Hyb 624 68.49 11.60 3.46 5.63 2.91 92.08 35.23
110 Hyb 625 66.71 20.38 2.77 4.96 2.74 97.57 33.91
111 Hyb 626 66.89 18.55 2.99 5.30 3.30 97.03 30.83
112 Hyb 627 57.02 19.43 4.21 4.99 3.78 89.44 27.26
113 Hyb 628 69.75 12.03 2.91 5.14 2.63 92.47 32.07
114 Hyb 629 66.53 12.79 5.45 6.21 3.17 94.15 27.17
115 Hyb 630 58.83 20.32 4.34 6.88 3.75 94.13 27.74
116 Hyb 631 57.25 19.19 3.98 6.10 3.85 90.36 27.03
117 Hyb 632 63.47 20.30 3.63 6.35 4.50 98.25 30.09
118 Hyb 633 58.45 23.13 3.74 6.44 3.99 95.74 25.87
119 Hyb 634 65.56 17.52 4.99 4.88 2.85 95.80 28.10
120 Hyb 635 66.85 17.64 2.66 5.44 3.43 96.03 32.93
121 Hyb 637 62.16 16.91 3.51 5.37 3.32 91.26 31.44
122 Hyb 640 67.33 12.19 4.08 5.78 3.52 92.91 31.06
123 Hyb 641 73.38 9.19 2.61 4.27 2.81 92.26 32.57
124 Hyb 642 64.42 17.97 3.26 3.49 2.54 91.68 30.54
125 Hyb 643 73.78 10.59 2.83 3.69 2.56 93.44 48.24
126 Hyb 644 66.16 13.68 2.82 7.33 2.78 92.79 37.88
127 Hyb 645 61.99 17.82 3.04 7.60 5.36 95.82 25.59
128 Hyb 646 67.22 12.40 3.23 7.70 3.19 93.75 30.22
129 Hyb 648 73.33 7.31 3.09 6.65 3.05 93.44 31.49
130 Hyb 649 72.16 6.66 2.66 5.40 3.41 90.30 24.73
131 Hyb 650 57.48 20.85 5.95 6.35 4.30 94.93 22.41
132 Hyb 651 53.30 23.30 5.22 5.73 5.54 93.09 18.90
133 Hyb 652 66.11 18.25 3.23 4.44 3.49 95.53 25.91
134 Hyb 653 71.84 10.63 4.00 6.02 3.49 95.98 31.30
135 Hyb 654 73.88 9.09 3.95 5.29 3.05 95.26 35.63
136 Hyb 655 69.67 9.42 3.42 6.05 4.02 92.57 22.46
137 Hyb 656 65.77 13.66 3.35 5.55 4.10 92.43 28.52
138 Hyb 657 53.89 18.00 3.65 9.00 4.86 89.40 24.47
139 Hyb 658 74.42 12.63 3.03 3.85 2.31 96.24 38.09
140 Hyb 659 77.31 9.04 2.39 4.28 2.17 95.19 39.05
141 Hyb 660 62.79 15.12 3.26 6.66 4.11 91.94 33.20
142 Hyb 661 67.31 14.24 2.82 5.82 3.49 93.69 27.13
143 Hyb 662 69.37 10.88 3.37 6.56 4.32 94.51 25.05
144 Hyb 663 65.96 14.43 4.23 5.21 3.18 93.02 30.86
145 Hyb 664 69.18 10.81 2.98 6.10 3.72 92.79 26.40
146 Hyb 665 59.69 19.62 3.68 5.72 3.17 91.89 26.21
147 Hyb 666 68.90 11.92 5.17 8.54 2.92 97.45 34.04
148 Hyb 667 68.65 11.93 3.46 6.06 2.83 92.94 32.84
149 Hyb 668 69.80 11.12 3.35 6.55 3.19 94.02 36.16
150 Hyb 670 68.35 9.05 2.71 6.08 4.89 91.09 33.82
151 Hyb 671 72.84 9.21 3.33 6.03 6.48 97.89 35.61
152 Hyb 672 70.72 13.87 3.07 5.62 2.86 96.14 33.46
153 Hyb 673 69.56 16.88 6.23 6.46 4.52 103.65 31.52
154 Hyb 674 67.86 18.05 3.29 8.51 2.33 100.04 35.57
155 Hyb 675 66.27 14.29 3.57 6.57 3.61 94.31 33.35
156 Hyb 677 75.77 9.86 3.94 5.75 3.01 98.32 34.27
157 Hyb 678 64.05 13.25 3.68 6.23 3.31 90.52 30.67
158 Hyb 679 70.55 11.89 4.19 5.57 2.81 95.01 32.97
159 Hyb 680 68.15 13.42 4.05 5.88 4.05 95.56 24.29
160 Hyb 681 73.79 5.78 3.30 5.31 3.22 91.40 33.47
161 Hyb 501 61.94 13.15 4.88 8.37 3.21 91.54 30.13
162 Hyb 502 68.30 8.03 7.03 5.06 3.68 92.10 28.95
60
no Acc. amidon sucres cellulose protéines minéraux total MS%
163 Hyb 503 75.42 6.86 4.07 5.39 3.88 95.61 34.20
164 Hyb 505 69.62 8.13 3.53 5.47 3.87 90.62 23.08
165 Hyb 506 67.18 7.38 6.91 5.29 3.39 90.15 26.55
166 Hyb 532 67.87 9.50 4.09 5.05 3.61 90.13 28.97
167 Ib VL 06 48.66 27.33 3.30 3.43 3.48 86.21 22.55
168 Ib VL 08 45.98 27.58 3.11 4.14 4.16 84.96 24.84
169 Ib VL 09 45.28 28.05 2.43 4.12 2.45 82.33 20.11
170 Ib VL 15 44.96 27.18 3.30 4.28 2.63 82.35 26.22
171 Sp L949 57.86 15.12 9.98 4.25 5.13 92.34 25.12
172 Sp M2 bis 72.61 8.18 4.53 5.37 3.65 94.34 28.16
173 Sp M3 66.40 11.84 8.11 2.81 3.74 92.90 28.03
174 Sp M180 62.85 9.67 5.72 7.42 3.96 89.62 30.23
175 Sp M180 bis 60.64 10.66 6.87 6.58 3.79 88.54 29.61
176 Ib 71 81.13 1.49 4.07 4.29 3.58 94.57 28.30
177 Ib 83 68.71 10.28 3.45 5.66 3.20 91.31 31.72
178 Ib 110 77.01 8.59 2.95 4.75 2.51 95.81 40.10
179 Ib 120 68.05 7.44 3.93 5.72 4.56 89.70 30.49
180 Ib 124 65.61 8.69 4.49 6.25 4.18 89.22 27.34
181 Ib 139 67.17 8.24 5.23 7.70 3.49 91.83 30.11
182 Ib 140 67.95 8.08 3.27 5.54 4.75 89.58 29.03
183 Ib 142 75.39 4.62 3.08 5.53 3.36 91.99 32.97
184 Ib 147 67.64 11.54 4.56 6.26 2.52 92.52 35.05
185 Ib 157 74.86 3.06 3.39 6.98 3.98 92.27 23.97
186 Ib 161 73.67 4.63 4.43 6.40 3.54 92.66 30.24
187 Ib 162 77.56 2.08 4.17 5.99 3.45 93.25 29.93
188 Ib 165 61.74 13.00 4.42 7.44 3.48 90.07 27.34
189 Ib 171 70.34 9.55 3.30 4.18 3.17 90.54 30.71
190 Ib 180 68.17 10.60 3.40 6.61 3.32 92.09 32.40
191 Chapuis28 73.03 6.13 3.21 6.55 3.13 92.05 28.60
192 GV129 70.00 10.30 2.84 6.45 2.81 92.40 35.44
193 PLY018 68.10 10.87 3.40 6.99 2.82 92.18 34.69
194 SI226 68.91 9.81 3.49 7.68 3.64 93.52 27.50
195 TB232 73.77 6.06 3.54 5.73 3.38 92.47 30.84
196 PLY019 65.04 14.94 10.08 4.35 4.86 99.27 27.24
197 PLY020 64.34 11.48 6.40 7.89 3.65 93.75 26.12
198 RV1 72.26 12.20 7.76 3.58 4.44 100.24 29.76
199 RV15 71.15 9.58 5.02 4.62 4.56 94.92 22.27
200 SEB4 69.02 12.22 8.04 4.43 4.17 97.88 29.76
201 Sp-3-TN01 52.15 15.80 13.21 6.45 2.60 90.21 21.55
202 Sp-4-PNG6 72.23 7.85 6.21 6.07 1.64 94.00 37.96
203 13PNG67 75.01 7.01 5.41 6.98 1.60 96.00 44.18
204 Sp-17 69.60 5.80 3.85 4.50 1.96 85.71 34.50
205 Sp-19-US02 68.25 6.58 4.57 4.93 2.01 86.35 30.32
206 Sp-20-BZ01 74.56 5.47 4.12 7.07 1.35 92.57 40.35
207 Sp-21-PH03 58.38 8.44 5.54 6.43 2.90 81.70 25.35
208 Sp-27 76.61 5.63 3.84 4.13 1.79 91.99 37.70
209 Sp-180AN 58.13 7.08 3.34 8.61 3.74 80.90 27.94
210 Sp- 43-39 78.81 8.34 6.35 4.35 1.99 99.84 44.11
211 Sp-ROBA 55.17 14.06 9.64 6.33 4.43 89.63 31.12
212 T1 58.93 13.84 9.62 5.88 4.22 92.49 26.97
213 T2 67.68 10.93 7.24 5.20 3.69 94.75 30.80
214 T3 71.42 9.33 5.96 4.16 3.38 94.25 33.45
215 T4 60.92 12.89 8.89 5.08 4.00 91.78 27.24
216 T5 60.52 13.58 9.15 5.78 4.42 93.46 25.12
61
no Acc. amidon sucres cellulose protéines minéraux total MS%
217 T6 63.89 12.28 8.35 5.52 3.92 93.96 28.72
218 T7 70.45 10.14 6.53 4.65 3.61 95.39 31.93
219 T8 67.82 11.34 7.46 4.97 3.88 95.47 29.76
220 T9 73.97 8.99 5.32 3.61 3.67 95.55 29.51
221 Sp T.10 70.05 12.02 8.29 4.13 3.74 98.23 29.76
222 Sp T.11 67.27 10.89 7.36 4.65 3.52 93.69 30.80
223 Sp T.12 70.35 11.05 7.44 4.29 3.61 96.74 31.93
224 Sp T.14 69.43 12.60 8.66 3.85 3.94 98.49 28.03
225 Sp T.24 71.88 8.20 3.94 6.20 4.27 94.50 22.46
226 Sp T.31 72.74 9.57 5.70 6.21 3.87 98.10 32.67
227 Sp T.33 74.94 8.50 4.79 4.60 3.71 96.54 28.16
228 Sp T.34 72.19 10.76 7.41 4.23 3.35 97.94 31.93
229 Sp T.37 72.21 7.45 4.24 5.91 3.21 93.02 32.35
230 Sp T.39 71.43 9.68 5.74 3.65 3.94 94.44 29.51
231 Sp T.44 66.85 10.50 6.74 4.54 3.77 92.40 29.76
232 Sp T.48 68.36 12.86 9.24 3.21 3.62 97.28 28.03
233 Sp T.49 70.70 8.72 5.03 5.51 3.69 93.64 32.67
234 Sp T.52 62.34 10.94 7.03 5.37 3.91 89.59 31.12
235 Sp T.53 64.55 9.12 5.10 5.38 4.02 88.16 22.27
236 Sp T.57 64.86 12.51 8.42 5.68 4.09 95.56 28.72
237 Sp T.59 61.79 10.80 6.25 6.07 4.55 89.47 22.87
238 Sp T.62 67.91 11.51 7.73 5.11 3.78 96.04 29.76
239 Sp T.67 56.10 15.10 10.56 7.56 4.55 93.87 31.12
240 T68 60.35 11.94 7.66 5.56 4.28 89.80 31.12
62
Annexe 4 : Corrélations entre les caractéristiques morpho-agronomiques de la patate douce (n=132)
Variables Couleur Couleur Distribution Couleur Couleur Forme Couleur Couleur Couleur Couleur Couleur Forme
Principale Secondaire de la Principale Secondaire tubercules des des Feuilles Feuilles Veine feuilles
Chair Chair Couleur Peau Peau tiges Pétioles Adultes Jeunes abaxiale
Couleur 0,169
Secondaire
Chair
Distribution de 0,090 0,515
la Couleur
Couleur 0,178 0,142 -0,073
Principale Peau
Couleur 0,078 -0,078 -0,133 0,022
Secondaire Peau
Forme 0,189 -0,041 -0,009 -0,063 0,087
tubercules
Couleur des 0,067 0,125 0,138 0,165 -0,061 -0,091
tiges
Couleur des 0,008 0,153 0,221 0,077 -0,064 -0,134 0,783
Pétioles
Couleur Feuilles -0,101 -0,088 0,070 0,009 -0,069 0,155 0,127 0,161
Adultes
Couleur Feuilles -0,003 0,043 -0,061 0,029 0,046 0,002 0,329 0,417 0,452
Jeunes
Couleur Veine 0,115 0,068 0,077 0,044 -0,060 0,192 0,273 0,367 0,425 0,401
abaxiale
Forme feuilles -0,061 -0,106 -0,013 -0,019 0,033 0,172 -0,033 -0,095 0,045 0,049 -0,035
Lobation des -0,080 -0,170 0,009 -0,097 0,034 0,038 -0,002 -0,005 0,159 0,081 0,140 0,693
feuilles
Valeurs de r à 1% de risque : 0.25, Valeurs de r à 1% de risque : 0.19
63
Annexe 5 : Corrélations entre caractéristiques morpho-agronomiques des racines et teneurs en composés majeurs (n=68)
Variables Matière Cendres Protéines Amidon Sucres Couleur Couleur Distribution Couleur Couleur
sèche Principale Secondaire de la Principale Secondaire
Chair Chair Couleur Peau Peau
Cendres -0,714
Protéines -0,004 -0,212
Amidon 0,748 -0,570 -0,267
Sucres -0,535 0,209 0,318 -0,854
Couleur Principale -0,224 0,109 0,067 -0,157 0,269
Chair
Couleur Secondaire 0,086 0,007 0,133 0,032 -0,013 0,273
Chair
Distribution de la -0,297 0,271 0,059 -0,170 0,079 0,232 0,165
Couleur
Couleur Principale Peau 0,129 -0,153 0,150 0,051 0,022 0,204 0,402 -0,010
Couleur Secondaire Peau 0,036 -0,073 0,052 0,137 -0,046 0,015 0,013 -0,023 0,094
Forme tubercules -0,096 0,180 -0,012 0,013 0,033 0,009 -0,237 0,271 -0,170 0,118
Valeurs de r à 1% de risque : 0.31, Valeurs de r à 1% de risque : 0.23
64
Annexe 6 : Table des valeurs critiques de la corrélation de Pearson
65
Annexe 7 : Modèle patate douce : prédictions et valeurs réelles pour l’amidon, SEP et r2pred
57.37 60.35 -2.98 8.89
73.02 76.76 -3.75 14.04
71.12 73.18 -2.06 4.24
73.58 72.16 1.42 2.01
72.89 71.62 1.27 1.60
67.29 69.88 -2.58 6.68
72.38 70.29 2.09 4.37
72.55 72.09 0.45 0.21
71.25 75.57 -4.33 18.72
74.66 79.29 -4.63 21.44
75.50 75.26 0.24 0.06
76.16 75.82 0.34 0.12
73.10 75.72 -2.62 6.87
69.61 68.69 0.92 0.85
65.97 71.23 -5.26 27.64
72.12 80.67 -8.55 73.03
70.45 70.98 -0.54 0.29
76.71 78.20 -1.48 2.20
61.85 61.48 0.38 0.14
62.44 65.48 -3.04 9.25
65.99 63.87 2.13 4.52
64.19 57.86 6.33 40.08
75.83 72.61 3.22 10.36
72.29 66.40 5.89 34.67
64.95 62.85 2.11 4.43
62.35 60.64 1.71 2.92
73.25 65.04 8.21 67.44
79.70 72.26 7.44 55.32
71.81 71.15 0.66 0.44
72.25 69.02 3.23 10.43
61.39 52.15 9.24 85.32
70.60 72.23 -1.63 2.65
69.15 75.01 -5.86 34.29
65.45 69.60 -4.15 17.19
67.02 68.25 -1.24 1.53
73.79 74.56 -0.76 0.58
57.72 58.38 -0.66 0.44
73.42 76.61 -3.18 10.13
58.36 58.13 0.23 0.05
80.20 78.81 1.39 1.93
57.03 55.17 1.86 3.46
62.43 58.93 3.50 12.23
69.37 67.68 1.69 2.86
70.84 71.42 -0.59 0.34
66.19 60.92 5.26 27.68
56.40 60.52 -4.12 16.95
61.00 63.89 -2.89 8.33
71.70 70.45 1.25 1.56
71.78 67.82 3.96 15.67
73.25 73.97 -0.72 0.52
13.54
R2pred 0.71 3.68
66
Modèle patate douce : prédictions et valeurs réelles pour les sucres, SEP et r2pred
18.05 17.86 0.19 0.04
8.84 8.97 -0.13 0.02
10.29 9.93 0.37 0.13
10.45 12.17 -1.73 2.98
8.61 9.66 -1.05 1.10
14.42 15.13 -0.71 0.50
12.24 12.30 -0.06 0.00
10.93 12.53 -1.60 2.56
8.70 9.99 -1.29 1.65
10.52 9.67 0.85 0.72
9.02 10.46 -1.44 2.08
5.96 9.40 -3.45 11.88
10.22 11.63 -1.41 1.98
15.94 16.70 -0.76 0.58
11.81 14.82 -3.01 9.08
5.45 6.27 -0.82 0.67
11.04 11.16 -0.12 0.01
5.40 7.50 -2.11 4.44
15.90 14.20 1.71 2.91
15.31 15.88 -0.57 0.32
13.46 15.26 -1.80 3.24
13.57 17.64 -4.07 16.53
8.10 10.19 -2.09 4.38
13.70 15.21 -1.51 2.29
12.33 16.10 -3.78 14.25
16.78 18.32 -1.54 2.37
6.89 10.81 -3.92 15.34
3.75 7.52 -3.77 14.24
8.25 10.09 -1.84 3.39
9.73 10.16 -0.44 0.19
14.72 23.00 -8.28 68.57
10.08 12.21 -2.13 4.54
12.26 9.42 2.84 8.08
16.39 18.13 -1.75 3.05
15.10 18.22 -3.12 9.70
9.28 11.55 -2.27 5.16
19.27 23.84 -4.57 20.87
9.89 11.85 -1.96 3.84
20.54 22.44 -1.90 3.60
4.21 6.51 -2.30 5.28
18.44 20.01 -1.57 2.48
16.67 17.12 -0.45 0.20
11.73 12.49 -0.77 0.59
11.09 11.71 -0.62 0.38
14.87 17.10 -2.23 4.98
15.52 15.70 -0.18 0.03
13.09 14.39 -1.30 1.69
9.49 11.14 -1.66 2.75
11.55 11.99 -0.44 0.19
10.70 9.77 0.93 0.87
5.34
R2pred 0.82 2.31
67
Modèle patate douce : prédictions et valeurs réelles pour les protéines, SEP et r2pred
5.16 5.56 -0.41 0.16
5.23 5.58 -0.35 0.13
4.79 4.65 0.15 0.02
4.81 5.76 -0.95 0.91
4.38 5.40 -1.02 1.03
3.22 4.32 -1.11 1.23
6.21 6.47 -0.26 0.07
4.30 4.52 -0.23 0.05
5.82 5.18 0.64 0.41
4.60 4.75 -0.15 0.02
5.39 5.44 -0.05 0.00
5.64 5.43 0.21 0.04
4.42 4.01 0.41 0.17
5.07 5.65 -0.58 0.33
6.43 6.24 0.20 0.04
6.74 6.50 0.24 0.06
7.86 8.23 -0.37 0.14
5.90 6.46 -0.56 0.31
5.45 5.54 -0.09 0.01
5.79 5.59 0.21 0.04
3.39 3.28 0.11 0.01
4.14 4.25 -0.11 0.01
4.79 5.37 -0.58 0.33
2.45 2.81 -0.36 0.13
7.39 7.42 -0.03 0.00
6.54 6.58 -0.04 0.00
4.40 4.35 0.05 0.00
3.64 3.58 0.06 0.00
5.40 4.62 0.79 0.62
4.74 4.43 0.31 0.10
5.58 6.45 -0.87 0.76
6.39 6.07 0.31 0.10
7.42 6.98 0.45 0.20
4.50 4.50 0.00 0.00
5.26 4.93 0.32 0.10
6.56 7.07 -0.52 0.27
6.77 6.43 0.34 0.12
4.80 4.13 0.67 0.45
7.79 8.61 -0.82 0.67
4.31 4.35 -0.04 0.00
6.44 6.33 0.12 0.01
5.58 5.88 -0.30 0.09
4.93 5.20 -0.27 0.07
4.29 4.16 0.12 0.01
4.60 5.08 -0.48 0.23
5.49 5.78 -0.30 0.09
5.92 5.52 0.40 0.16
4.88 4.65 0.23 0.05
4.80 4.97 -0.17 0.03
3.58 3.61 -0.03 0.00
0.20
R2pred 0.87 0.44
68
Modèle patate douce : prédictions et valeurs réelles pour les minéraux, SEP et r2pred
4.33 4.28 0.05 0.00
2.62 2.09 0.53 0.28
2.85 2.84 0.01 0.00
2.32 3.28 -0.97 0.94
2.05 3.88 -1.83 3.35
2.50 3.37 -0.86 0.75
2.45 2.65 -0.20 0.04
2.23 3.69 -1.46 2.12
2.99 3.22 -0.23 0.05
2.12 2.57 -0.45 0.20
2.20 2.86 -0.66 0.43
3.09 2.07 1.02 1.05
2.26 2.02 0.23 0.06
1.81 2.07 -0.26 0.07
2.71 2.16 0.55 0.30
2.93 2.06 0.87 0.75
1.92 1.44 0.48 0.23
2.41 1.74 0.67 0.45
4.56 5.01 -0.45 0.21
3.94 4.73 -0.79 0.63
3.37 4.12 -0.75 0.56
4.51 5.13 -0.62 0.38
3.42 3.65 -0.23 0.05
3.02 3.74 -0.71 0.51
3.00 3.96 -0.95 0.91
3.47 3.79 -0.32 0.10
4.35 4.86 -0.52 0.27
3.87 4.44 -0.57 0.33
4.41 4.56 -0.15 0.02
3.90 4.17 -0.28 0.08
3.69 2.60 1.09 1.20
3.04 1.64 1.41 1.97
2.56 1.60 0.97 0.94
2.96 1.96 1.00 1.01
3.16 2.01 1.15 1.32
2.68 1.35 1.33 1.77
3.96 2.90 1.06 1.12
2.80 1.79 1.01 1.03
4.10 3.74 0.36 0.13
2.44 1.99 0.45 0.20
4.25 4.43 -0.17 0.03
4.13 4.22 -0.10 0.01
3.62 3.69 -0.07 0.00
3.32 3.38 -0.05 0.00
3.85 4.00 -0.15 0.02
4.51 4.42 0.09 0.01
4.19 3.92 0.27 0.07
3.43 3.61 -0.18 0.03
3.53 3.88 -0.35 0.13
3.14 3.67 -0.53 0.28
0.53
R2pred 0.53 0.73
69
Modèle patate douce : prédictions et valeurs réelles pour la somme Su+Pi+Mi, SEP et r2pred
27.54 27.70 0.16 0.03
16.69 16.63 -0.05 0.00
17.93 17.41 -0.52 0.27
17.57 21.22 3.65 13.30
15.05 18.94 3.89 15.17
20.14 22.82 2.68 7.19
20.90 21.42 0.52 0.27
17.46 20.75 3.29 10.80
17.51 18.38 0.87 0.76
17.25 16.99 -0.25 0.06
16.61 18.76 2.15 4.63
14.69 16.90 2.21 4.90
16.90 17.66 0.76 0.58
22.82 24.42 1.60 2.57
20.95 23.22 2.27 5.15
15.11 14.82 -0.29 0.08
20.82 20.83 0.01 0.00
13.71 15.71 2.00 3.99
25.92 24.75 -1.17 1.36
25.04 26.20 1.16 1.34
20.23 22.67 2.44 5.94
22.23 27.02 4.80 23.01
16.31 19.21 2.90 8.39
19.17 21.75 2.59 6.70
22.72 27.48 4.76 22.66
26.80 28.69 1.90 3.60
15.63 20.02 4.39 19.24
11.26 15.54 4.28 18.35
18.07 19.27 1.20 1.44
18.36 18.76 0.40 0.16
23.99 32.05 8.06 64.93
19.51 19.92 0.41 0.17
22.24 17.99 -4.26 18.12
23.85 24.60 0.74 0.55
23.52 25.16 1.64 2.70
18.51 19.97 1.46 2.12
30.01 33.18 3.17 10.04
17.50 17.77 0.27 0.07
32.43 34.79 2.36 5.57
10.96 12.85 1.89 3.56
29.13 30.76 1.63 2.66
26.38 27.23 0.85 0.72
20.28 21.39 1.10 1.22
18.70 19.24 0.55 0.30
23.32 26.18 2.86 8.20
25.51 25.90 0.39 0.15
23.20 23.84 0.63 0.40
17.79 19.41 1.61 2.61
19.87 20.84 0.97 0.93
17.42 17.05 -0.37 0.14
6.14
R2pred 0.85 2.48
70
Modèle toutes espèces : prédictions et valeurs réelles pour l’amidon, SEP et r2pred
63.45 60.35 3.10 9.58
77.43 76.76 0.67 0.45
73.42 73.18 0.24 0.06
73.09 72.16 0.93 0.87
73.61 71.62 1.98 3.94
68.65 69.88 -1.22 1.50
74.06 70.29 3.77 14.21
75.44 72.09 3.35 11.21
74.48 75.57 -1.09 1.20
76.41 79.29 -2.88 8.29
79.06 75.26 3.80 14.45
76.10 75.82 0.28 0.08
74.09 75.72 -1.63 2.66
66.09 68.69 -2.60 6.78
68.93 71.23 -2.30 5.30
78.25 80.67 -2.41 5.83
68.78 70.98 -2.20 4.84
78.07 78.20 -0.12 0.02
62.09 61.48 0.62 0.38
67.35 65.48 1.87 3.50
65.90 63.87 2.03 4.13
66.12 57.86 8.26 68.16
73.88 72.61 1.26 1.59
68.32 66.40 1.92 3.68
66.68 62.85 3.84 14.72
61.84 60.64 1.20 1.43
73.27 65.04 8.23 67.73
80.44 72.26 8.18 66.90
77.31 71.15 6.17 38.05
73.45 69.02 4.43 19.63
60.68 52.15 8.53 72.77
74.47 72.23 2.25 5.04
69.27 75.01 -5.74 32.90
67.49 69.60 -2.11 4.45
64.91 68.25 -3.35 11.19
76.59 74.56 2.04 4.15
55.14 58.38 -3.23 10.46
75.69 76.61 -0.92 0.84
57.76 58.13 -0.37 0.14
81.50 78.81 2.69 7.22
59.75 55.17 4.58 20.94
62.67 58.93 3.74 13.97
70.20 67.68 2.51 6.32
73.17 71.42 1.74 3.04
63.11 60.92 2.19 4.79
59.96 60.52 -0.56 0.32
65.89 63.89 2.01 4.02
70.38 70.45 -0.07 0.00
69.20 67.82 1.38 1.91
73.89 73.97 -0.07 0.01
11.71
R2pred 0.79 3.42
71
Modèle toutes espèces : prédictions et valeurs réelles pour les sucres, SEP et r2pred
15.07 17.86 -2.79 7.76
9.71 8.97 0.75 0.56
8.76 9.93 -1.17 1.36
12.56 12.17 0.39 0.15
10.11 9.66 0.45 0.20
16.92 15.13 1.79 3.21
11.37 12.30 -0.93 0.86
9.77 12.53 -2.76 7.59
8.95 9.99 -1.04 1.08
11.51 9.67 1.84 3.38
7.84 10.46 -2.62 6.87
7.45 9.40 -1.96 3.83
11.20 11.63 -0.43 0.18
18.59 16.70 1.89 3.57
12.17 14.82 -2.66 7.05
5.82 6.27 -0.45 0.21
11.77 11.16 0.61 0.37
6.93 7.50 -0.58 0.33
16.07 14.20 1.88 3.52
14.48 15.88 -1.40 1.97
14.73 15.26 -0.53 0.28
14.02 17.64 -3.62 13.14
9.93 10.19 -0.26 0.07
17.66 15.21 2.45 5.98
12.51 16.10 -3.59 12.90
17.22 18.32 -1.10 1.21
6.93 10.81 -3.88 15.09
3.18 7.52 -4.34 18.87
8.87 10.09 -1.22 1.50
10.31 10.16 0.14 0.02
14.39 23.00 -8.61 74.14
8.30 12.21 -3.91 15.26
10.12 9.42 0.70 0.49
15.56 18.13 -2.58 6.64
17.34 18.22 -0.88 0.78
7.69 11.55 -3.86 14.92
20.27 23.84 -3.56 12.70
10.68 11.85 -1.17 1.37
17.32 22.44 -5.13 26.27
3.06 6.51 -3.45 11.88
17.37 20.01 -2.64 6.96
15.62 17.12 -1.50 2.25
12.17 12.49 -0.32 0.10
11.49 11.71 -0.22 0.05
16.02 17.10 -1.08 1.16
16.03 15.70 0.33 0.11
11.58 14.39 -2.81 7.89
9.70 11.14 -1.45 2.09
11.30 11.99 -0.69 0.48
10.51 9.77 0.74 0.54
6.18
R2pred 0.75 2.49
72
Modèle toutes espèces : prédictions et valeurs réelles pour les protéines, SEP et r2pred
5.00 5.56 -0.56 0.31
5.16 5.58 -0.42 0.18
5.02 4.65 0.38 0.14
6.25 5.76 0.49 0.24
5.65 5.40 0.25 0.06
3.38 4.32 -0.94 0.88
6.60 6.47 0.13 0.02
5.33 4.52 0.81 0.65
6.36 5.18 1.18 1.40
4.24 4.75 -0.51 0.26
6.30 5.44 0.85 0.73
5.41 5.43 -0.02 0.00
4.62 4.01 0.61 0.37
5.12 5.65 -0.53 0.28
6.63 6.24 0.39 0.15
6.74 6.50 0.25 0.06
9.46 8.23 1.23 1.51
6.75 6.46 0.29 0.08
4.19 5.54 -1.35 1.84
5.39 5.59 -0.20 0.04
3.01 3.28 -0.27 0.08
4.14 4.25 -0.11 0.01
5.44 5.37 0.07 0.00
1.31 2.81 -1.50 2.24
8.21 7.42 0.78 0.61
6.84 6.58 0.26 0.07
4.04 4.35 -0.31 0.10
3.01 3.58 -0.57 0.33
3.85 4.62 -0.77 0.59
4.27 4.43 -0.15 0.02
5.83 6.45 -0.62 0.38
6.25 6.07 0.17 0.03
8.09 6.98 1.11 1.23
4.76 4.50 0.26 0.07
5.13 4.93 0.20 0.04
7.73 7.07 0.66 0.43
7.56 6.43 1.13 1.27
4.55 4.13 0.42 0.18
8.16 8.61 -0.44 0.19
5.50 4.35 1.15 1.33
6.93 6.33 0.60 0.36
4.98 5.88 -0.90 0.81
4.94 5.20 -0.26 0.07
3.18 4.16 -0.99 0.97
4.35 5.08 -0.73 0.53
5.29 5.78 -0.49 0.24
5.70 5.52 0.17 0.03
5.25 4.65 0.59 0.35
4.56 4.97 -0.41 0.17
3.34 3.61 -0.26 0.07
0.44
R2pred 0.84 0.66
73
Modèle toutes espèces : prédictions et valeurs réelles pour les minéraux, SEP et r2pred
4.58 4.28 0.30 0.09
1.48 2.09 -0.61 0.37
2.32 2.84 -0.52 0.27
1.51 3.28 -1.77 3.14
1.81 3.88 -2.07 4.29
2.20 3.37 -1.17 1.36
2.21 2.65 -0.44 0.20
1.89 3.69 -1.80 3.25
2.48 3.22 -0.73 0.54
2.03 2.57 -0.54 0.29
1.98 2.86 -0.88 0.78
2.68 2.07 0.61 0.37
2.13 2.02 0.11 0.01
1.49 2.07 -0.58 0.34
2.00 2.16 -0.16 0.03
2.17 2.06 0.11 0.01
0.92 1.44 -0.52 0.27
1.66 1.74 -0.08 0.01
4.63 5.01 -0.39 0.15
3.23 4.73 -1.50 2.25
2.84 4.12 -1.28 1.65
3.88 5.13 -1.25 1.57
3.31 3.65 -0.34 0.12
3.36 3.74 -0.38 0.14
4.05 3.96 0.09 0.01
4.19 3.79 0.40 0.16
3.79 4.86 -1.07 1.15
3.55 4.44 -0.89 0.79
3.39 4.56 -1.17 1.37
3.16 4.17 -1.02 1.03
2.90 2.60 0.30 0.09
1.91 1.64 0.27 0.08
2.31 1.60 0.72 0.51
2.03 1.96 0.07 0.00
2.00 2.01 -0.01 0.00
1.72 1.35 0.37 0.14
3.21 2.90 0.31 0.09
2.03 1.79 0.25 0.06
4.39 3.74 0.65 0.42
2.12 1.99 0.13 0.02
4.24 4.43 -0.19 0.03
3.83 4.22 -0.40 0.16
3.60 3.69 -0.09 0.01
2.95 3.38 -0.42 0.18
3.88 4.00 -0.12 0.01
4.66 4.42 0.23 0.05
3.62 3.92 -0.30 0.09
2.87 3.61 -0.74 0.55
3.85 3.88 -0.03 0.00
3.26 3.67 -0.41 0.17
0.57
R2pred 0.63 0.76
74
Modèle toutes espèces : prédictions et valeurs réelles pour la somme Su+Pi+Mi, SEP et r2pred
24.66 27.70 -3.05 9.27
16.35 16.63 -0.29 0.08
16.11 17.41 -1.30 1.70
20.33 21.22 -0.89 0.79
17.57 18.94 -1.38 1.90
22.50 22.82 -0.31 0.10
20.18 21.42 -1.24 1.54
17.00 20.75 -3.75 14.06
17.79 18.38 -0.59 0.35
17.79 16.99 0.80 0.63
16.11 18.76 -2.65 7.03
15.53 16.90 -1.37 1.87
17.94 17.66 0.29 0.08
25.20 24.42 0.78 0.61
20.80 23.22 -2.43 5.89
14.73 14.82 -0.09 0.01
22.15 20.83 1.31 1.72
15.33 15.71 -0.37 0.14
24.89 24.75 0.14 0.02
23.10 26.20 -3.10 9.61
20.57 22.67 -2.09 4.38
22.03 27.02 -4.99 24.91
18.67 19.21 -0.54 0.29
22.33 21.75 0.57 0.33
24.77 27.48 -2.71 7.36
28.25 28.69 -0.45 0.20
14.75 20.02 -5.27 27.75
9.73 15.54 -5.81 33.75
16.11 19.27 -3.16 10.00
17.74 18.76 -1.02 1.05
23.12 32.05 -8.93 79.71
16.46 19.92 -3.46 11.96
20.51 17.99 2.53 6.39
22.35 24.60 -2.25 5.05
24.47 25.16 -0.69 0.48
17.14 19.97 -2.83 8.04
31.05 33.18 -2.13 4.53
17.26 17.77 -0.50 0.25
29.87 34.79 -4.92 24.19
10.69 12.85 -2.16 4.65
28.54 30.76 -2.22 4.95
24.43 27.23 -2.79 7.80
20.72 21.39 -0.67 0.45
17.62 19.24 -1.63 2.65
24.26 26.18 -1.92 3.70
25.98 25.90 0.07 0.01
20.90 23.84 -2.94 8.63
17.81 19.41 -1.60 2.55
19.71 20.84 -1.13 1.27
17.11 17.05 0.06 0.00
6.89
R2pred 0.83 2.63
75
Fiche de synthèse
NDIAYE, André/ CTRAV/CIRAD (Centre de Coopération Internationale en Recherche
Agronomique pour le Développement)
Abstract : The quest for quality is essential for the food industry and to satisfy consumers
demands. However, the chemical analysis methods are often expensive, dangerous and
require skilled staff. This study attempts to optimise a control quality system for sweet potato
using Near InfraRed Spectroscopy (NIRS). A preliminary analysis of morpho-agronomic
descriptors conducted on 168 accessions (varieties and hybrids), shows that their correlation
with major compounds are too weak to be used as visual tools in selection. Two series of
models are developed to predict major compounds contents (starch, sugars, cellulose,
proteins, and minerals). The first set includes 692 acc. belonging to various species (cassava,
sweet potato, taro and yam) and the second set includes 190 acc. of sweet potato. The two
calibration sets are tested on the same validation set composed of 50 acc. of sweet potato. We
have achieved quite satisfactory results with r2pred for “all species” model with respectively
0.79, 0.75 and 0.84 for the starch, sugars and proteins. Regarding the “sweet potato” model,
we obtained coefficients of determination for prediction of 0.71 for starch, 0.82 for sugars and
0.87 for proteins but the results obtained for cellulose and minerals cannot be used to predict
these compounds. This study shows that NIRS is a potentially interesting tool to predict sweet
potato quality in Vanuatu and in Developing Countries. It could also be used in breeding
programmes and food industries if the models could be improved by analysing new samples.