KNOXVILLE, TN, 8. Juli 2026 /24-7PressRelease/ -- Ein neuer Weizenmehltau-Index (WPMI) bietet eine praktische Möglichkeit, eine wichtige Pilzkrankheit von Winterweizen auf mehreren räumlichen Skalen zu erkennen, zu quantifizieren und zu verfolgen. Durch die Integration von Blattspektroskopie, Bodenbestandsmessungen, hyperspektralen Drohnenbildern (UAV) und Hot-Spot-Analyse liefert die Studie ein krankheitsspezifisches Werkzeug, um infizierte Gebiete zu identifizieren und zu überwachen, wie sich Weizenmehltau in Feldern ausbreitet oder erholt.

Weizenmehltau (WPM) ist eine zerstörerische Pilzkrankheit, die Blattgewebe schädigt, das Pflanzenwachstum schwächt und zu schweren Ertragsverlusten oder sogar Ernteausfällen führen kann. Die aktuelle Felddiagnose stützt sich noch stark auf die visuelle Inspektion durch Experten, die arbeitsintensiv, subjektiv und schwer skalierbar ist. Obwohl die hyperspektrale Fernerkundung vielversprechend für die Erkennung von Pflanzenkrankheiten ist, wurden viele bestehende Vegetationsindizes (VIs) für die allgemeine Überwachung von Pigmenten, Biomasse oder Stress entwickelt und nicht für krankheitsspezifische Wirt-Pathogen-Reaktionen. Maschinelle Lernverfahren erfordern zudem große, qualitativ hochwertige Trainingsdatensätze. Aufgrund dieser Herausforderungen sind eingehende Forschungen erforderlich, um eine spezifische, stabile und skalierbare Methode zur WPM-Erkennung vom Boden bis zur UAV-Skala zu entwickeln.

Ein Forschungsteam des Key Lab of Smart Agriculture System, Ministry of Education, China Agricultural University; des Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences; des Institute of Plant Protection, Chinese Academy of Agricultural Sciences; und des College of Land Science and Technology, China Agricultural University, berichtete (DOI: 10.34133/remotesensing.0955) die Studie im Journal of Remote Sensing am 10. April 2026. Die Studie adressiert den Bedarf an einer schnellen, feldskaligen Überwachung von WPM in kleinbäuerlichen Betrieben, wo die Krankheitsausbreitung räumlich ungleichmäßig sein und durch manuelles Scouting allein schwer erfasst werden kann.

Die Studie entwickelte zwei Formen von WPMI: WPMIG = (R760 − R554)/(R661 + R554) und WPMIR = (R760 − R661)/(R661 + R554). Diese Indizes wurden aus krankheitssensitiven Bändern in den grünen, roten und nahinfraroten (NIR) Bereichen entwickelt. Im Vergleich zu traditionellen VIs unterschied der Weizenmehltau-Index (WPMI) konsistenter zwischen gesundem und infiziertem Weizen und quantifizierte den Krankheitsindex (DI) besser über Blatt-, Bodenbestands- und UAV-Bestandsskalen. WPMIG zeigte besonders gute Leistung und wurde für die UAV-basierte Hot-Spot-Analyse ausgewählt, um potenzielle Infektions- und Erholungsgebiete aufzudecken.

Die Forscher sammelten über drei Jahre Daten aus Gewächshaus- und Feldexperimenten, die von 2022 bis 2024 durchgeführt wurden. Der Datensatz umfasste 1.260 Blattspektren und 804 Bestandsspektren unter verschiedenen Infektionsbedingungen, Weizensorten und räumlichen Skalen. Auf Blattebene erreichte WPMI die höchste Gesamtklassifikationsgenauigkeit (OCA) mit 85% und 86% für WPMIG bzw. WPMIR im Gewächshausexperiment 2022. Unter Feldbedingungen erreichten die beiden Indizes 81% und 80% Genauigkeit im Jahr 2023 und 80% und 81% im Jahr 2024. Für die Schätzung des Krankheitsschweregrads erreichte WPMIG R²-Werte von 0,55 bis 0,93 auf Bodenebene und 0,48 bis 0,90 auf UAV-Ebene. Die von UAV abgeleiteten WPMIG-Karten, kombiniert mit der Getis-Ord-Gᵢ*-Hot-Spot-Analyse, identifizierten Cluster wahrscheinlicher Infektionen und verfolgten räumlich-zeitliche Veränderungen in kleinbäuerlichen Parzellen über drei Wachstumsperioden.

Die Forscher stellten fest, dass ein krankheitsspezifischer Spektralindex die Überwachung von Pflanzenkrankheiten über den einfachen Bildvergleich hinausführen kann. Durch die Verknüpfung von UAV-hyperspektralen Bildern mit räumlicher Hot-Spot-Analyse kann die Methode helfen aufzudecken, wo WPM entsteht, sich ausbreitet oder zurückgeht, und bietet eine potenzielle Grundlage für frühere Warnungen und gezielteres Krankheitsmanagement.

Blattspektren wurden mit einer handgehaltenen hyperspektralen Kamera gesammelt, während Bestandsspektren mit einem Bodenspektrometer und einer DJI M600 UAV, ausgestattet mit einer Pika L Hyperspektralkamera, erfasst wurden. Lineare Diskriminanzanalyse (LDA) wurde verwendet, um sensitive Bänder auszuwählen und die Klassifikationsleistung zu bewerten. Der DI wurde durch Felduntersuchungen nach nationalen Standards gemessen. Die lineare Regression bewertete die Beziehung zwischen WPMI und DI, während die Hot-Spot-Analyse räumliche Infektionscluster aus UAV-Bildern kartierte.

Mit weiterer Validierung über Regionen, Weizensorten, Sensoren und Krankheitsbedingungen hinweg könnte die WPMI-basierte UAV-Überwachung den präzisen Pflanzenschutz und Frühwarnsysteme für die Weizenproduktion unterstützen. Der Ansatz könnte Landwirten helfen, Krankheits-Hot-Spots zu identifizieren, bevor schwere Ausbrüche auftreten, den unnötigen Pestizideinsatz reduzieren und die Entscheidungsfindung auf Feldebene verbessern. Allgemeiner bietet diese Strategie einen Rahmen für die Entwicklung krankheitsspezifischer Fernerkundungsindizes für andere Kulturpflanze-Pathogen-Systeme und trägt zu einer intelligenteren und widerstandsfähigeren landwirtschaftlichen Überwachung bei.

Referenzen
DOI
10.34133/remotesensing.0955

Originalquellen-URL
https://spj.science.org/doi/10.34133/remotesensing.0955

Finanzierungsinformationen
Diese Arbeit wurde unterstützt durch das National Key Research and Development Program (Fördernr. 2021YFD2000103), den National Natural Science Fund (Fördernr. 32371995), die China Postdoctoral Science Foundation (2025M782465), das Henan Science and Technology Breakthrough Program (262102110349), das Central Guidance Fund for Local Scientific and Technological Development Projects in Inner Mongolia (2024ZY0145), das 2115 Talent Development Program der China Agricultural University, das Key Research and Development Program der Provinz Shandong (2022CXGC020708) und das Training Reform Project des College (SZ-2024-02).

Über das Journal of Remote Sensing
Das Journal of Remote Sensing, eine reine Online-Open-Access-Zeitschrift, die in Zusammenarbeit mit AIR-CAS veröffentlicht wird, fördert die Theorie, Wissenschaft und Technologie der Fernerkundung sowie interdisziplinäre Forschung in den Erd- und Informationswissenschaften.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und die Reise von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.