Hier beginnt der Hauptinhalt dieser Seite

Digitaler Obstbau Digitalisierung in der Land- und Ernährungswirtschaft

Digitaler Obstbau

Früherkennung von Apfeltriebsucht und Birnenverfall durch Remote sensing und Auswertung mit Methoden des maschinellen Lernens

Projektkoordinator

Dr. Wolfgang Jarausch
AlPlanta-IPR, RLP AgroScience, Neustadt an der Weinstraße
wolfgang.jarausch(ät)agroscience.rlp(punkt)de

Verbundpartner

Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
Spatial Business Integration GmbH

Projektbeschreibung in FISA

Zum Forschungsinformationssystem Agrar und Ernährung (FISA)

Ziel

Apfeltriebsucht (AT) und Birnenverfall (Pear decline, PD) sind wirtschaftlich bedeutende Phytoplasma-Krankheiten von Apfel und Birne in Europa, für die es keine direkten Bekämpfungsmöglichkeiten gibt. Um eine weitere Ausbreitung dieser Quarantänekrankheiten zu verhindern, helfen nur prophylaktische Maßnahmen, wie eine Bekämpfung der übertragenden Insekten mit Insektiziden sowie die Rodung befallener Bäume. Darüber hinaus erfordert die Eindämmung der Erkrankungen ein koordiniertes regionales Vorgehen. Ziel des Projektes ist es daher, ein Diagnoseverfahren zu entwickeln, dass die Krankheiten in Luft- und Satellitenbildern sowohl frühzeitig als auch großflächig erkennen kann. Die durch die Phytoplasmen verursachte biochemische Veränderung in der Pflanze, die sich in einer spezifischen Rotfärbung äußert, soll hierfür genutzt werden. Multi- und hyperspektrale Daten sollen mit Hilfe von Methoden des maschinellen Lernens analysiert und für eine spezifische Fernerkennungsmethode von AT und PD genutzt werden. Die Erkennung auf Basis von Drohnen- oder Satellitendaten soll in einem Entscheidungshilfesystem als Dienstleistung in verschiedener Form für einzelne Anbauer, Genossenschaften oder auf regionaler Ebene für Pflanzenschutzdienste angeboten werden. Die Methode kann dann die arbeitsintensive visuelle Bonitur vor Ort ersetzen und die Diagnosezuverlässigkeit speziell bei Birne verbessern.

Ergebnisse

Die spezifische Rotfärbung bei einer Infektion mit AT oder PD tritt vom Spätsommer bis zum Herbst auf. Das Projekt läuft deshalb über vier Vegetationsperioden. Erste Ergebnisse liegen bislang für 2019 vor. Die Modellregion zur Etablierung der Fernerkennung von AT und PD ist die Pfalz, in der geeignete Anlagen ausgewählt und visuell auf AT- bzw. PD-Symptome bonitiert wurden. Der spezifische Nachweis eines Phytoplasmabefalls erfolgte mittels molekularem PCR Test. Die Ergebnisse zeigten eine sehr hohe Korrelation (90 %) von molekularem Nachweis mit einer vorzeitigen Rotfärbung befallener Apfelbäume. Diese Korrelation ist bei Birne geringer und soll in den Folgejahren näher untersucht werden. Die Rotlaubigkeit bei Apfel konnte auch experimentell mit Versuchspflanzen im Klimaschrank induziert werden. Hierbei spielen spezifische Temperaturschwankungen eine entscheidende Rolle.

Symptomatische und nicht-symptomatische Blätter von Freilandbäumen sowie Versuchspflanzen wurden unter kontrollierten Bedingungen im Labor hyperspektral analysiert. Hierzu wurden hochauflösende Spektralkameras (Hyspex VNIR 1600 und SWIR 320m-e) verwendet. Mit Hilfe von Methoden des maschinellen Lernens wurden diejenigen Wellenlängen identifiziert, in denen sich die spektrale Reflexion gesunder und kranker Blätter signifikant unterschied. Die Ergebnisse aus visueller Bonitur und molekularer Analyse dienten als Trainingsdaten für verschiedene statistische Modelle und neuronale Netze. Die so entwickelten Algorithmen ermöglichten eine erste spezifische Detektion von AT und PD. Auf Basis dieser Ergebnisse sollen im 2. Projektjahr Drohnenflüge mit Multi- oder Hyperspektralkameras durchgeführt werden, um eine erste Fernerkennung der Krankheiten zu erreichen.

Um größere Flächen effizient überwachen zu können, werden Satellitenbilder genutzt. In diesen müssen zunächst die Apfel- und Birnenanlagen identifiziert werden. Die Landnutzungsklassifizierung der Obst- und Weinanlagen im Testgebiet gelang mit einer Genauigkeit von 97 % in Satellitenbildern von PlanetScope mit Methoden des maschinellen Lernens. Auch konnten in einem Satellitenbild des WorldView-3 kranke von gesunden Bäumen unterschieden werden.

Verwertung

Die Ergebnisse des 1. Projektjahres zeigen, dass eine Fernerkennung von AT und PD möglich ist. In den Folgejahren muss die Methode optimiert und ihre Robustheit bei wechselnden klimatischen Bedingungen beweisen werden. Dann ist eine erfolgreiche wirtschaftliche Verwertung zu erwarten, da die Methode personalaufwändige Feldbegehungen und teure molekulare Analysen ersetzen kann.