Erfassung des Auftretens und der Dynamik von Cercospora-Blattfleckenkrankheit mittels UAV-gestützter Bilddaten und Deep Learning

Die Cercospora-Blattfleckenkrankheit (CLS, engl. Cercospora leaf spot) ist die bedeutendste Blattkrankheit bei Zuckerrüben. Der pilzliche Erreger Cercospora beticola Sacc. breitet sich aufgrund klimatischer Bedingungen immer weiter aus, eine frühzeitige und genaue Erkennung ist wichtig, um Ertragseinbußen zu vermeiden. In Deutschland beruhen die Überwachungs- und Bekämpfungsstrategien auf visueller Bewertung der Felder mit dem Parameter Befallshäufigkeit (disease incidence = DI). Dieser Parameter löst bei Erreichen eines Schwellenwerts Warnsysteme aus, woraufhin Entscheidungsschritte für den Einsatz von Fungiziden getroffen werden. Die visuelle Bonitur ist jedoch eine zeitaufwändige Tätigkeit, die gut geschultes Personal erfordert und einen großen Engpass bei der CLS-Bekämpfung darstellt. Digitale Technologien können diesen Prozess unterstützen. Die vorliegende Arbeit basiert daher auf zwei Versuchsfeldern, die im Jahr 2020 mit Hilfe eines unbemannten Luftfahrzeugs (UAV), das mit einer Multispektralkamera ausgestattet ist, angelegt und überwacht wurden. Die Bilddaten wurden während der Vegetationsperiode als Zeitreihe erfasst. In den Versuchen wurden verschiedene Zuckerrübensorten ausgesät, verschiedene Fungizidstrategien eingesetzt und es erfolgte eine künstliche Inokulation. Parallel zur Flugmission und zusätzlichen visuellen Beurteilung der Befallshäufigkeit wurde die Befallsstärke (disease severtity = DS) mittels KWS-Skala von Experten als sogenannte Ground Truth (GT) erhoben. In Kombination mit der Bildverarbeitung war es möglich, Pflanzen in den Feldversuchen individuell zu katalogisieren, über die Zeit zu identifizieren und für das Training und Testen von Modellen zu verwenden. Mit Hilfe der katalogisierten Daten wurde ein Convolutional Neural Network (CNN) Modell trainiert, das die Befallssituation in den Bildzeitreihen klassifiziert. Die Performance des Modells wurde zudem ausgewertet. Als letzter Schritt der Bildverarbeitung wurden Karten erstellt, die die Verteilung der kranken Pflanzen im Feld zeigen. Die erstellten Karten können als Grundlage für Applikationskarten im praktischen Anbau oder zur Bewertung der Sortenleistung in Sortenversuchen dienen. Die vorgestellte Methodik bietet eine hohe Präzision und Empfindlichkeit bei der Erkennung von CLS und hat das Potenzial, Prozesse der CLS-Überwachung für verschiedene Anwendungsbereiche zu automatisieren.