La production de canola (Brassica napus L.) est menacée par la nécrose du collet causée par Leptosphaeria maculans. L'issue de la maladie est déterminée par les interactions entre l'agent pathogène, la plante, les pratiques culturales et les facteurs environnementaux. Bien que les interactions gène pour gène entre l'agent pathogène et sa plante hôte soient relativement claires, celles mettant précisément en cause l'environnement et les pratiques culturales ne sont pas bien comprises, ce qui constitue un défi quant à la prédiction de la maladie sur les terres agricoles commerciales. Récemment, l'intelligence artificielle (IA) a réussi à prédire les risques de maladie en se basant sur les facteurs environnementaux. Dans cette étude, nous avons évalué deux méthodes d'IA et une technique d'augmentation des données pour prédire le risque de maladie avec un jeu de données collectées, en 2021 et 2022, sur 116 terres agricoles de l'Alberta. Nous avons d'abord évalué un modèle d'apprentissage automatique (machine à vecteur de support ou MVS) et un modèle d'apprentissage profond (réseau neuronal à convolution ou RNC) pour prédire la gravité de la nécrose du collet en nous basant sur cinq variables climatiques, le dommage causé par l'altise, le dommage causé par la mouche des racines et les variables associées à la rotation des cultures. La SMV et le RNC ont prédit le risque de maladie avec une précision de plus de 66%. La technique d'augmentation des données n'a pas amélioré la performance du modèle. Les attaques d'altise et les dommages causés par la mouche des racines ont faiblement contribué à la performance du modèle et l'omission de ces données ne semble pas avoir influencé les résultats. En revanche, la rotation des cultures contribue substantiellement à la performance du modèle. Les cinq variables climatiques contribuent à peu près également à la performance du modèle, et la suppression de quelque variable que ce soit n'a pas influencé la capacité de prédiction des deux modèles. [ABSTRACT FROM AUTHOR]