Ein neuer Weizenmehltau-Index (WPMI) bietet eine praktische Möglichkeit, eine bedeutende Pilzkrankheit des Winterweizens über mehrere räumliche Skalen hinweg zu erkennen, zu quantifizieren und zu verfolgen. Durch die Integration von Blattspektroskopie, Bodenbestandesmessungen, Hyperspektralbildern von unbemannten Luftfahrzeugen (UAV) und Hot-Spot-Analyse liefert die Studie ein krankheitsspezifisches Werkzeug zur Identifizierung infizierter Gebiete und zur Überwachung, wie sich Weizenmehltau innerhalb von Feldern ausbreitet oder erholt.
Weizenmehltau (WPM) ist eine zerstörerische Pilzkrankheit, die Blattgewebe schädigt, das Pflanzenwachstum schwächt und zu erheblichen Ertragsverlusten oder sogar Ernteausfällen führen kann. Die derzeitige Felddiagnose stützt sich noch stark auf die visuelle Begutachtung durch Experten, die arbeitsintensiv, subjektiv und schwer skalierbar ist. Obwohl hyperspektrale Fernerkundung vielversprechend für die Erkennung von Pflanzenkrankheiten ist, wurden viele bestehende Vegetationsindizes (VIs) für allgemeine Pigment-, Biomasse- oder Stressüberwachung entwickelt und nicht für krankheitsspezifische Pathogen-Wirt-Reaktionen. Maschinelle Lernmethoden können zudem große, qualitativ hochwertige Trainingsdatensätze erfordern. Aufgrund dieser Herausforderungen ist eine eingehende Forschung erforderlich, um eine spezifische, stabile und skalierbare Methode zur WPM-Erkennung vom Boden bis zur UAV-Skala zu entwickeln.
Ein Forscherteam 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, veröffentlichte die Studie am 10. April 2026 im Journal of Remote Sensing. Die Studie adressiert den Bedarf an einer schnellen, feldskaligen Überwachung von WPM in kleinbäuerlichen Betrieben, wo die Krankheitsausbreitung räumlich ungleichmäßig und durch manuelles Scouting allein schwer zu erfassen sein kann.
Die Studie entwickelte zwei Formen des WPMI: WPMIG = (R760 − R554)/(R661 + R554) und WPMIR = (R760 − R661)/(R661 + R554). Diese Indizes wurden aus krankheitsempfindlichen Bändern im grünen, roten und nahen Infrarotbereich (NIR) entwickelt. Im Vergleich zu traditionellen VIs unterschied WPMI gesunden und infizierten Weizen konsistenter und quantifizierte den Krankheitsindex (DI) auf Blatt-, Bodenbestandes- und UAV-Bestandesskala besser. WPMIG zeigte besonders starke Leistung und wurde für die UAV-basierte Hot-Spot-Analyse ausgewählt, um potenzielle Infektions- und Erholungsgebiete aufzuzeigen.
Die Forscher sammelten drei Jahre Daten aus Gewächshaus- und Feldexperimenten, die von 2022 bis 2024 durchgeführt wurden. Der Datensatz umfasste 1.260 Blattspektren und 804 Bestandesspektren unter verschiedenen Infektionsbedingungen, Weizensorten und räumlichen Skalen. Auf Blattebene erreichte WPMI die höchste Gesamtklassifikationsgenauigkeit (OCA) mit 85% für WPMIG und 86% für WPMIR im Gewächshausexperiment 2022. Unter Feldbedingungen erreichten die beiden Indizes 2023 eine Genauigkeit von 81% bzw. 80% und 2024 von 80% bzw. 81%. Für die Schätzung der Krankheitsschwere erreichte WPMIG R²-Werte von 0,55 bis 0,93 auf Bodenebene und 0,48 bis 0,90 auf UAV-Ebene. Die aus UAV-Daten abgeleiteten WPMIG-Karten, kombiniert mit der Getis-Ord Gᵢ*-Hot-Spot-Analyse, identifizierten Cluster wahrscheinlicher Infektionen und verfolgten raumzeitliche Veränderungen über drei Anbausaisons in kleinbäuerlichen Parzellen.
Die Forscher stellten fest, dass ein krankheitsspezifischer Spektralindex die Überwachung von Pflanzenkrankheiten über einen einfachen Bildvergleich hinausführen kann. Durch die Verknüpfung von UAV-Hyperspektralbildern mit räumlicher Hot-Spot-Analyse kann die Methode helfen aufzuzeigen, wo WPM entsteht, sich ausbreitet oder zurückgeht, und bietet eine potenzielle Grundlage für eine frühzeitige Warnung und gezieltere Krankheitsbekämpfung.
Blattspektren wurden mit einer handgehaltenen Hyperspektralkamera erfasst, während Bestandesspektren mit einem BodenSpektrometer und einer DJI M600 UAV mit einer Pika L Hyperspektralkamera aufgenommen wurden. Die lineare Diskriminanzanalyse (LDA) wurde verwendet, um empfindliche 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 vor schweren Ausbrüchen zu identifizieren, den unnötigen Pestizideinsatz zu reduzieren und die Entscheidungsfindung auf Feldebene zu 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.
