Dissertation CC BY 4.0
Veröffentlicht

Evaluation of Sensor-based Early Detection Methods for Grapevine Diseases like Palatinate grapevine yellows, Bois noir, Grapevine leafroll disease, and Esca

GND
1173369597
Zugehörigkeit
Julius Kühn-Institute (JKI), Institute for Grapevine Breeding, Germany
Bendel, Nele

Grapevine (Vitis vinifera ssp. vinifera) as a perennial crop is typically grown over several decades. During their lifespan, vines may be infected by a number of different pathogens, some of which remain inside the vine and thus accumulate over time. At the moment, only prophylactic measures are available to reduce the spread of many endogenic diseases, which include visual ratings and subsequent uprooting of infected grapevines in the field or mandatory pathogen tests in nurseries to provide healthy planting material. Sensor-based approaches could significantly contribute to early disease diagnosis. Hyperspectral sensors detect plants’ reflection objectively and non-invasively in the visible range of light (400 – 700 nm) but also in the near infrared (700 – 1000 nm) and short-wave infrared region (1000 – 2500 nm). Biochemical and biophysical changes induced by pathogen infestation cause deviations in the reflectance spectra, which can be analyzed by different machine and deep learning models enabling disease detection at early infection stages. In this study, the suitability of ground-based hyperspectral analyses for the detection of the grapevine phytoplasma diseases Palatinate grapevine yellows (PGY) and Bois noir (BN), the virus infection grapevine leafroll disease (GLD), and the fungal Esca disease has been evaluated. Disease detection models for both BN and PGY could be developed under controlled conditions using greenhouse plants. These models were able to classify plants correctly as either healthy or infected with an accuracy of up to 96%. However, identification of infected but symptomless plants needs further improvements. Since symptoms of both diseases may vary strongly depending on environmental factors, shoots collected in the field from different cultivars were also analyzed. Again, high classification accuracies of up to 100% could be achieved leading to the assumption that both diseases might also be detectable directly in the field. GLD detection was at first tested using different greenhouse plants. Thereby, 83 – 100% of symptomatic and 85 – 100% of infected but symptomless vines could be correctly identified. Moreover, approximately 500 grapevines were analyzed directly in the field during the years 2016 – 2018 leading to similar classification accuracies. Furthermore, the potential of hyperspectral analyses for the in-field detection of infected but symptomless vines could be shown. However, results strongly differed between experimental years, therefore, further analyses are necessary for a final evaluation of this aspect. Moreover, symptoms caused by the two main GLD agents Grapevine leafroll-associated virus-1 and Grapevine leafroll-associated virus-3 could successfully be discriminated. Esca disease detection was also performed directly in the field during three consecutive years. Thereby, hyperspectral detection models could successfully be established for original field data as well as for manually annotated data. In addition, first results clearly showed the potential of pre-symptomatic disease detection. Moreover, model transferability to unknown data was tested but remains challenging and will require to include further experimental years. Based on hyperspectral data, most important wavelengths were determined for every disease and every analysis approach in order to simplify this complex system. Multispectral sensors could eventually be developed using these wavelengths being faster, cheaper and more flexible than a hyperspectral application. In the case of Esca, additional airborne multispectral data were acquired during this study and compared to a multispectral simulation based on hyperspectral approaches. Although, the simulated multispectral data achieved good results, thus, showing the potential of this method, airborne disease detection needs to be improved.

Während ihrer Standzeit über mehrere Jahrzehnte kann die Weinrebe (Vitis vinifera ssp. vinifera) von einer Vielzahl unterschiedlicher Pathogene infiziert werden, wovon einige in der Rebe verbleiben und sich so im Laufe der Zeit ansammeln. Derzeit stehen nur prophylaktische Ansätze zum Schutz vor vielen dieser endogenen Krankheiten zur Verfügung. Diese Maßnahmen beinhalten beispielsweise visuelle Bonituren im Weinberg und anschließendes Roden infizierter Reben oder Pathogennachweise in Rebvermehrungsanlagen, die dazu beitragen sollen gesundes Pflanzmaterial zu produzieren. Der Einsatz von Sensor-basierten Verfahren zur Krankheitsdetektion kann hierzu einen entscheidenden Beitrag leisten. Hyperspektrale Sensoren erfassen objektiv und nicht-invasiv die Reflektion von Pflanzen im visuellen Bereich des Lichts (400 – 700 nm) sowie im Nahinfrarot- (700 – 1000 nm) und kurzwelligen Infrarot-Bereich (1000 – 2500 nm). Biochemische und biophysikalische Änderungen, die durch Pathogenbefall induziert werden, führen zu Abweichungen in den Reflektionsspektren, welche mit Hilfe verschiedener Machine und Deep Learning Modelle analysiert und Infektionen dadurch frühzeitig erkannt werden können. Im Rahmen dieser Arbeit wurde die Eignung der Hyperspektralanalyse zur Erkennung der Rebkrankheiten FD Pfalz (PGY) und Schwarzholzkrankheit (BN), welche durch Phytoplasmen hervorgerufen werden, sowie der Viruserkrankung Blattrollkrankheit (GLD) und der durch Pilze induzierten Esca Krankheit evaluiert. Anhand von Gewächshauspflanzen konnten unter kontrollierten Bedingungen Detektionsmodelle für BN und PGY erstellt werden, die bis zu 96% der Pflanzen korrekt als gesund oder infiziert klassifizierten. Die Erkennung von infizierten, aber nicht symptomatischen Pflanzen bedarf allerdings noch weiterer Versuche. Da die Symptomentwicklung beider Krankheiten stark von Umgebungsfaktoren abhängig ist, wurden zusätzlich Triebe verschiedener Rebsorten aus dem Freiland analysiert. Auch hier konnten sehr gute Klassifikationsgenauigkeiten von bis zu 100% erzielt werden, was die Vermutung nahelegt, dass beide Krankheiten auch direkt im Feld detektiert werden können. Die Erkennung von GLD erfolgte zunächst ebenfalls an Gewächshauspflanzen. Dabei konnten 83 – 100% der symptomatischen Reben und 85 – 100% der infizierten, aber nicht symptomatischen Reben von Kontrollpflanzen unterschieden werden. Darüber hinaus wurden im Zeitraum von 2016 bis 2018 rund 500 Reben im Freiland näher untersucht. Auch hier wurden ähnlich hohe Klassifikationsgenauigkeiten erzielt. Außerdem konnte das Potential der Hyperspektralanalyse zur Erkennung infizierter, aber nicht symptomatischer Reben im Freiland gezeigt werden. Da die Ergebnisse jedoch sehr stark zwischen den Versuchsjahren schwankten, bedarf es weiterer Untersuchungen zur abschließenden Bewertung dieses Aspekts. Darüber hinaus konnten Symptome der beiden GLD-Krankheitserreger Grapevine leafrollassociated virus-1 und Grapevine leafroll-associated virus-3 erfolgreich voneinander unterschieden werden. Auch die Erkennung von Esca wurde über drei Jahre hinweg im Feld durchgeführt. Hyperspektrale Detektionsmodelle konnten erfolgreich sowohl für originale Felddaten als auch für manuell annotierte Daten erstellt werden. Erste Ergebnisse zeigten zudem deutlich das Potential der präsymptomatischen Detektion. Des Weiteren wurde die Übertragbarkeit der Modelle auf unbekannte Daten simuliert. Dabei zeigte sich, dass die Modelle zwar von einem Jahr auf ein anderes Jahr übertragen werden können, die Modellperformanz dabei jedoch deutlich nachlässt. Basierend auf den Hyperspektraldaten wurden für alle Krankheiten und alle Analyseansätze die wichtigsten Wellenlängen ermittelt, um eine Vereinfachung des komplexen Systems zu ermöglichen. Anhand dieser Wellenlängen könnten schließlich multispektrale Sensoren entwickelt werden, die schneller, günstiger und flexibler einsetzbar sind als hyperspektrale Anwendungen. Im Fall von Esca wurden bereits im Rahmen dieser Arbeit zusätzlich Multispektraldaten mittels Drohne erhoben und mit dem simulierten Ansatz aus den Hyperspektraldaten verglichen. Obwohl die simulierten Multispektraldaten sehr gute Ergebnisse erzielten und somit das Potential dieser Methode aufzeigen, bleibt die Luft-gestützte Krankheitserkennung derzeit noch eine Herausforderung.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Rechte

Rechteinhaber: The Author(s) 2022.

Nutzung und Vervielfältigung: