Einsatz von Drohnen zur Einschätzung des Schweregrades von Pflanzenkrankheiten

Reis ist eine der wichtigsten Nutzpflanzen der Welt und bildet die Hauptnahrungsquelle für mehr als die Hälfte der Erdbevölkerung. Der Schutz von Reisplantagen vor Krankheiten ist daher ein wesentliches Unterfangen in der modernen Landwirtschaft. Von den vielen Krankheitserregern, die Reispflanzen infizieren können, gehört das Bakterium Xanthomonas oryzae, das für die Bakterienfäule (BB) verantwortlich ist, zu den schlimmsten. Durch BB gehen jedes Jahr Ernten im Wert von Hunderten von Millionen Dollar verloren, und Millionen von Dollar werden für Präventivmaßnahmen und Forschung ausgegeben.

Eine der fruchtbarsten Strategien zur Bekämpfung von BB und anderen Pflanzenkrankheiten ist der Anbau genetisch resistenter Sorten. Da sich Krankheitserreger jedoch schnell weiterentwickeln können, müssen Forscher ständig neue Gene erforschen, die Resistenz verleihen, und sie bei der Züchtung anwenden. Daher müssen sie regelmäßig zu unterschiedlichen Jahreszeiten mehrere Reispflanzen beproben und ihre Reaktion auf eine bakterielle Infektion messen, was eine manuelle intensive und zeitaufwändige Arbeit darstellt.

Aber was wäre, wenn wir moderne Technologien nutzen würden, um diesen Prozess erheblich zu vereinfachen? In einer kürzlich veröffentlichten Studie in Pflanzenphänomikein Forschungsteam unter der Leitung von Dr. Xuping Feng von der Zhejiang University, China, entwickelte eine innovative Strategie, die Drohnen und maschinelles Lernen kombiniert, um sowohl BB-Ausbrüche im Feld zu messen als auch nach potenziell resistenten Genen zu suchen.

Die Forscher richteten zwei Versuchsstandorte in der Provinz Zhejiang, China, ein, wo sie über 60 Arten von Reissorten mit unterschiedlicher Resistenz gegen BB anbauten. Mit unbemannten Luftfahrzeugen (UAVs, besser bekannt als „Drohnen“), die mit normalen und multispektralen Kameras ausgestattet waren, fotografierten sie die Anbauflächen in verschiedenen Stadien der Reispflanzenentwicklung. Anschließend kombinierten sie diese UAV-Bilder mit angesammelten Temperaturdaten (AT) und verwendeten sie, um ein Deep-Learning-Modell zu trainieren, um den Schweregrad von BB zu bewerten.

Bemerkenswert ist, dass die Verschmelzung von AT-Daten mit UAV-Bildgebungsdaten, die in verschiedenen Stadien des Reispflanzenwachstums aufgenommen wurden, eine für diese Studie einzigartige Strategie war. Das Team stellte fest, dass diese Informationen für das trainierte Modell ausreichten, um genaue Vorhersagen über den Schweregrad von BB zu treffen. Darüber hinaus testeten die Forscher auch, ob ein Modell, das mit an einem Ort gesammelten Daten trainiert wurde, mit einer kleinen Menge an Trainingsdaten versorgt werden könnte, die an einem anderen Ort gesammelt wurden, um seine Vorhersagen für letzteren zu verbessern.

Glücklicherweise waren ihre Ergebnisse sehr vielversprechend, wie Dr. Feng anmerkt: „In Anbetracht der Kosten für die Probenahme vor Ort stellten wir fest, dass die Übertragung von nur 20 % der neuen Daten eine nützliche und kostengünstige Strategie zur Modellaktualisierung war, um zuverlässige Vorhersagen von BB zu erhalten Schweregrad über verschiedene Standorte hinweg.“

Die Forscher versuchten dann, diese neue Methode zur effektiven Messung des BB-Schweregrads mithilfe von UAVs zu verwenden, um eine quantitative Trait Loci (QTL)-Kartierung durchzuführen.

„QTL markieren die Stelle im Genom, an der ein Gen spezifische quantitative Merkmale steuert, wie z. B. die Anfälligkeit für eine Krankheit. Die Kartierung von QTL auf die Reaktionen von Pflanzen unter Pathogenstress kann Züchtern helfen, die Funktionen oder Merkmale von Pflanzen zu identifizieren, die ein bestimmter Satz von QTLs kontrolliert.“ erklärt Dr. Feng. Einfach ausgedrückt, beinhaltet die QTL-Kartierung die Analyse des Genoms mehrerer Proben eines Organismus und den Versuch herauszufinden, welche Gene für ein Zielmerkmal, einschließlich Krankheitsresistenz, verantwortlich sein könnten.

In dieser Studie bestimmte das Team den Schweregrad der BB-Krankheit in den Nutzpflanzen indirekt mithilfe von UAV-Bildern und kombinierte diese Informationen mit den Ergebnissen der genetischen Analyse mehrerer Reisproben, die in verschiedenen Wachstumsstadien und von verschiedenen Sorten entnommen wurden. Durch diesen Ansatz gelang es den Forschern, sowohl zuvor identifizierte QTLs im Zusammenhang mit BB-Resistenz als auch drei neue zu entdecken!

Wie die Ergebnisse zeigen, könnte die in der Studie skizzierte Gesamtstrategie zu einer echten Zeitersparnis in der landwirtschaftlichen Krankheitsforschung werden. „Im Vergleich zu manuellen Messungen der Schwere der Krankheit ermöglichen uns UAV-Fernerkundungsverfahren, schnell umfangreiche phänotypische Informationen zu sammeln, was technische Unterstützung für die Beschleunigung der Züchtungsforschung bietet“, schließt Dr. Feng. Am wichtigsten ist, dass der Ansatz zwar speziell für Reis und BB entwickelt und getestet wurde, aber auch an andere Pflanzen und Krankheiten angepasst werden könnte.