VP6 & VP7: Lab-to-field Upscaling von Biologicals und KI-gestütztem Pathogen-Monitoring

Kurz erklärt

Was?

Wir entwickeln ein Überwachungssystem zur frühzeitigen Erkennung von Pflanzenkrankheiten und weiteren Stressfaktoren im Feld mit Hilfe eines KI-gestützten Pathogen-Monitorings.

Außerdem testen wir die Wirkung verschiedener biologischer Antagonisten gegen zwei bedeutende Pflanzenkrankheiten, Ährenfusariose an Weizen und Weißstängeligkeit an Sojabohne, als Alternative zu chemischen Pflanzenschutzmitteln.

Warum?

Eine frühzeitige Erkennung von Pflanzenkrankheiten und Stresssymptomen ist wichtig, um diese möglichst schnell und zielgerichtet bekämpfen zu können. Da chemische Pflanzenschutzmittel schädliche Wirkungen auf die Umwelt haben und als Rückstände in Lebensmitteln verbleiben können, ist die Etablierung alternativer biologischer Bekämpfungsmaßnahmen sinnvoll und notwendig.

Wie?

Ausgangspunkt stellen die aus der ersten Förderperiode bereits gewonnenen erhobenen Hyperspektraldaten dar. Mit Hilfe dieser Daten wurde ein KI-Verfahren auf Basis von Deep Learning entwickelt, welches die technologische Grundlage für eine automatisierte Erkennung von Pathogenen im Pflanzenbestand darstellt. Es werden fortlaufend systematisch weitere Daten erhoben, um die Deep Learning-basierten Algorithmen weiter zu trainieren und eine immer robustere Pathogenerkennung unter verschiedenen Umweltbedingungen zu erhalten.

Bei den biologischen Antagonisten wird für die zweite Förderphase verstärkt das Augenmerk auf pilzlichen Vertreter gerichtet. Ziel ist es, über verschiedene Applikationsverfahren (Ort, Zeit) und Formulierungen eine höhere Flexibilität und Effektivität im Feldeinsatz zu erzielen. 

 

 

VP6:
Fg. Phytopathologie (360a)

Otto-Sander-Str. 5
70599 Stuttgart

VP7:
Fachgebiet für Künstliche Intelligenz in der Agrartechnik (440g)

Garbenstr. 9
70599 Stuttgart

in Planung


Teilprojektteam

Prof. Dr. Ralf Vögele
Teilprojekt Leiter

Prof. Dr. Ralf Vögele

Jun.-Prof. Dr. Anthony Stein
Teilprojekt Leiter

Jun.-Prof. Dr. Anthony Stein


Um eine ökologische und ökonomische Landwirtschaft zu verwirklichen, ist ein effizienter Ressourceneinsatz beim Pflanzenschutz notwendig. Die Erkennung von Pflanzenkrankheiten im Feld ist komplex, da Pilze auf oder im Pflanzengewebe wachsen und zu Beginn einer Infektion mit dem bloßen Auge nicht erkennbar sind (Hallmann et al. 2019). Die frühzeitige Erkennung ist essenziell, um durch schnelle und geeignete Gegenmaßnahmen Ertragsverluste zu minimieren.

Dazu zählt auch der Einsatz biologischer Antagonisten, mit dem Potential, chemische Pflanzenschutzmittel mittel- bis langfristig zu ersetzen und somit Rückstandsproblematiken oder der Entwicklung von Wirkstoffresistenzen zu begegnen. Dazu ist es notwendig die Pathogene im Pflanzenbestand, auch unter Einsatz von KI-basiertem Remote Sensing, frühzeitig zu quantifizieren und zeitnah Kontrollmaßnahmen einzuleiten. Für einen praxistauglichen Einsatz im Feld bedarf es jedoch weiterer Forschung für die Entwicklung neuer biologischer Antagonisten, die durch innovative Formulierungen die Wirksamkeit im Feld verbessern. Auch der richtige Applikationszeitpunkt sowie Anwendungsart und -ort haben einen großen Einfluss auf die Wirksamkeit einer biologischen Bekämpfung (Bejarano & Puopolo, 2020).

Das Ziel des gemeinsamen Forschungsvorhabens für die zweite Förderung besteht darin, die erfolgreiche Anwendung spezifisch formulierter biologischer Bekämpfungsmittel mithilfe eines KI-gestützten Pathogenmonitorings, für die Weiterentwicklung eines innovativen Pflanzenschutzsystems in NocsPS-Anbausystemen zu nutzen. Dieses soll die frühzeitige Erkennung von Stressfaktoren und Einleitung entsprechender Gegenmaßnahmen ermöglichen.

Um eine höhere Flexibilität und Effektivität der biologischen Antagonisten zu erzielen, ist geplant, unterschiedliche Applikationsverfahren (Blattbehandlung, Bodenanwendung, Saatgutbeizung) zu vergleichen und diverse Formulierungen zu erproben.

Das Arbeitsprogramm der Fachgebiete Phytopathologie und Künstliche Intelligenz in der Agrartechnik gliedert sich in zwei übergeordnete Arbeitspakete:

WP1: Etablierung von Präparaten mit biologischen Antagonisten zur Bekämpfung der Ährenfusariose und Weißstängeligkeit

  • Aufklärung weiterer indirekten und direkten Wirkungsweisen biologischer Antagonisten, sowie deren Performance unter Feldbedingungen (Regen, UV-Strahlung)
  • Optimierung der Applikationsverfahren und -orte mittels KI-basierter Analyse

WP2: Entwicklung von Methoden für eine KI-basierte Pflanzenpathogenerkennung in Soja und Weizen

  • Aufbau einer automatisierten Datenerfassung von multi-modalen Spektralaufnahmen unter kontrollierten Bedingungen für das Training robuster Deep Learning-Modelle
  • Herausarbeiten des kontinuierlichen Optimierungsbedarfs, um geeignete Anpassungen aus dem sich rasant entwickelnden Stand der KI-Forschung fortlaufend mit einfließen zu lassen.
  • Erforschung der Transferierbarkeit der entwickelten KI-Modelle von der Laborskala, über im Gewächshaus simulierte auf reale Feldbedingungen für die Sicherstellung der Praxistauglichkeit.