Pflanzendetektive und Ingenieure der University of Florida nutzen künstliche Intelligenz, um eine Krankheit frühzeitig zu erkennen, damit Züchter, die Sommerkürbis anbauen, sie unter Kontrolle halten können. Eine frühzeitige Erkennung gibt den Landwirten eine Chance auf eine bessere Ernte.
Sommer- und Winterkürbisse werden im gesamten Bundesstaat kommerziell angebaut, insbesondere im Südosten und Südwesten Floridas. Nach Angaben des USDA National Agricultural Statistics Service haben die Erzeuger in Florida im Jahr 2019 7,700 Hektar Kürbis mit einem Produktionswert von 35.4 Millionen US-Dollar geerntet. Doch die weltweit verbreitete Mehltaukrankheit kann zu Ertragseinbußen führen.
„Die ideale Umgebung für die Infektion mit Mehltau ist feuchtes Wetter, dichte Bepflanzung und Schatten“, sagte Yiannis Ampatzidis, Assistenzprofessor für Agrar- und Biotechnik an der UF/IFAS und Mitautor von a Neue Studie zur Früherkennung von Echtem Mehltau, veröffentlicht in der Fachzeitschrift Biosystems Engineering.
Für die Studie verwendeten UF/IFAS-Forscher ein an Drohnen angebrachtes Sensorsystem, um Spektraldaten von Mehltau auf Sommerkürbissen auf den Feldern und Laboren des UF/IFAS Southwest Florida Research and Education Center zu sammeln.
UF/IFAS-Forscher nutzten eine Technologie, die nicht auf visuellen Symptomen beruht, um echten Mehltau zu erkennen, sagte Ampatzidis. Das menschliche Auge kann nur den hellen Teil des elektromagnetischen Spektrums sehen. Diese Technologie kann mehr „sehen“. Daher nutzten die Forscher diese Studie, um die besten Wellenlängen für die Früherkennung von Echtem Mehltau zu ermitteln – auf Blättern, die entweder keine Symptome aufwiesen oder frühe Symptome zeigten.
Die Forscher nutzten maschinelles Lernen – eine Teilmenge der künstlichen Intelligenz – die aus Spektraldaten „lernen“ kann, um Mehltau zu erkennen. Die Daten stammten von Drohnen und bodengestützten Sensorsystemen. Das trainierte maschinelle Lernmodell identifizierte Mehltau in verschiedenen Stadien der Krankheitsentwicklung, sagte Ampatzidis. Das maschinelle Lernsystem erstellt ein mathematisches Modell zur Erkennung von Mehltau, ohne dass ein Mensch bestimmte Schritte ausführen muss.
Mit den Bildern und der spektralen Reflexionsanalyse von Kürbisblättern stellten Wissenschaftler in etwa 95 % der Fälle fest, dass sie pudrig waren. Tatsächlich zeigte die Technologie den Forschern die Krankheit sogar ohne sichtbare Krankheitssymptome in 82 bis 89 % der Fälle an.
„Es ist wichtig, echten Mehltau frühzeitig zu erkennen, da sich die Krankheit schnell ausbreitet und die Läsionen größer werden und einen staubigen weißen oder grauen Belag entwickeln“, sagte Ampatzidis, Fakultätsberater von Jaafar Abdulridha, dem UF/IFAS-Postdoktoranden, der die Leitung leitete die Studie.
Pamela Roberts, Professorin für Pflanzenpathologie an der UF/IFAS, benötigt Daten von Ingenieuren wie Ampatzidis, um Krankheiten im Frühstadium zu erkennen. Sie vergleicht es mit der Früherkennung menschlicher Krankheiten.
„Die frühzeitige Erkennung eines Gesundheitsproblems, sei es bei Menschen oder Pflanzen, bietet die besten Chancen, es durch frühzeitiges Eingreifen zu kontrollieren“, sagte Roberts, Mitautor der Studie. „Ebenso lassen sich Pflanzenkrankheiten zu einem frühen Zeitpunkt, wenn die Krankheitserregerpopulation gering ist, leichter bekämpfen als zu einem späteren Zeitpunkt der Epidemie.“
„Darüber hinaus kann diese Technologie den Einsatz chemischer Sprays tatsächlich verringern, indem Anwendungen entfallen, die durchgeführt werden könnten, bevor tatsächlich eine Krankheit bekämpft werden kann“, sagte sie. „Da Mehltau ein chronisches Problem bei Kürbissen im Südwesten Floridas ist, ist es nur die Frage, wann und nicht ob die Krankheit auftritt. Ein genaues Timing von Fungiziden, egal ob im konventionellen oder ökologischen Landbau, kann die Wirksamkeit des Produkts erhöhen und Verluste verringern.“
Die Hauptsymptome von Echtem Mehltau sind weiße Flecken oder Flecken, meist auf den Blättern. Die Diagnose von Echtem Mehltau in frühen Infektionsstadien ist aufgrund der Symptome an unteren, reiferen Blättern, die oft von anderen Blättern bedeckt sind, schwierig.
„Kurz gesagt, eine Krankheit könnte die Blatteigenschaften verändern und die Lichtmenge beeinflussen, die von Blättern in Bereichen außerhalb des sichtbaren Spektrums reflektiert wird, die der Mensch nicht sehen kann“, sagte Ampatzidis.
- Brad Buck, Universität von Florida