Dr. Mohsen Mesgaran est un modeleur possédant une vaste expérience dans le développement de modèles physiologiques et statistiques pour la germination des semences et l`émergence de semis de mauvaises herbes. Évaluant huit modèles de temps d`hydrotime sur quatre espèces de mauvaises herbes, il a constaté que le modèle le plus commun dans la littérature, qui suppose une distribution normale du potentiel hydrique de base parmi les sous-populations de semences, fournit la prédiction la plus pauvre de la dynamique germinative ( Mesgaran et al. 2013). Il a donc développé un nouveau modèle hydrothermale qui non seulement donne de meilleurs ajustements aux données germinales, mais fournit également des informations utiles sur les stratégies adaptatives développées par les mauvaises herbes pour répondre à des environnements imprévisibles (Mesgaran et al. 2017). En collaboration avec le Dr Andrea Onofri (Pérouse, Italie), il a également contribué au développement de nouvelles méthodes statistiques (par exemple, modèle de «cure»; Onofri et coll., 2011) pour surmonter les problèmes statistiques découlant de l`utilisation de méthodes traditionnelles (par exemple, ANOVA) pour l`analyse des données germinatives ainsi que des lignes directrices sur la conception expérimentale appropriée pour les études de germination et d`émergence (Onofri et al. 2014 ). Il a également une expérience dans le développement de logiciels pour l`analyse de données, y compris l`outil ExDet (https://www.climond.org/ExDet.aspx) qui permet la comparaison des enveloppes multidimensionnelles du climat dans l`espace et le temps (Mesgaran et al. 2014).

L`optimisation de la capacité des agriculteurs à gérer les mauvaises herbes dans les systèmes agricoles, malgré les défis d`un climat changeant et l`apparition de mauvaises herbes résistantes aux herbicides, est susceptible d`améliorer la rentabilité des exploitations agricoles et de réduire les impacts environnementaux des mauvaises herbes inefficaces programmes de gestion. L`outil d`aide à la décision d`émergence de mauvaises herbes produit par cet effort multiétatique fournira aux agriculteurs des informations en temps réel sur l`émergence de mauvaises herbes dans des domaines spécifiques, leur permettant de cibler plus efficacement les actions de gestion des mauvaises herbes et donc d`accroître l`efficacité des mesures de contrôle. L`outil de soutien que nous proposons se concentrera sur les espèces annuelles d`été, et bénéficiera à la fois aux agriculteurs conventionnels et biologiques. Dans l`agriculture conventionnelle, où les herbicides sont les principaux moyens de lutte contre les mauvaises herbes, notre outil prédictif a un grand potentiel pour réduire l`utilisation des herbicides en évitant les applications qui sont trop tôt ou trop tard pour fournir une lutte efficace contre les mauvaises herbes. L`outil peut donc réduire les coûts et les impacts environnementaux négatifs des traitements multiples et retarder le développement de la résistance aux herbicides. Les agriculteurs biologiques peuvent utiliser l`outil pour réduire le nombre de cultures, réduisant ainsi les impacts sur la santé du sol contre les perturbations et le compactage. Pour tous les utilisateurs, la capacité de quantifier les schémas d`émergence pour les mauvaises herbes courantes apportera un niveau de prévisibilité à la gestion des mauvaises herbes semblables aux modèles utilisés pour d`autres ravageurs de cultures tels que l`oïdium, la brûlure tardive et la gale des pommes. Bien que l`utilisation de véhicules aériens sans pilote (UAV) pour cartographier les mauvaises herbes a reçu une popularité vertigineuse au cours des dernières années, l`image de la distribution de mauvaises herbes qu`ils fournissent dépend en grande partie de la synchronisation des instantanés prélevés sur le terrain; s`il est capturé au mauvais moment, l`image peut ne pas représenter fidèlement quand un niveau critique d`émergence de mauvaises herbes a été atteint.