Sensoren zur Früherkennung von Krankheiten

Der Apfelanbau hat in Deutschland eine lange Tradition, ebenso wie in Polen, Italien und Frankreich. Mit 13,8 Millionen Tonnen (Eurostat 2018) ist der Apfel die bedeutendste Frucht in Europa. Weniger bedeutend ist der Birnenanbau. Beiden Obstkulturen gemein ist jedoch, dass sie unter weit verbreiteten Krankheiten leiden: Die Apfeltriebsucht und der Birnenverfall können zu kompletten Ernteausfällen befallener Bäume führen. Der wirtschaftliche Schaden ist immens. Verursacher der Erkrankungen sind Phytoplasmen. Insekten übertragen die zellwandlosen Bakterien, die als Parasiten im Baum heranwachsen. Dort besiedeln sie vor allem die Siebröhren. Um die Ausbreitung der Erkrankung zu verhindern, müssten gegen die Insekten prophylaktisch Insektizide eingesetzt werden. Die Phytoplasmen selber können bisher nicht direkt bekämpft werden.

Der Krankheitsbefall lässt sich nur durch eine teure molekulare Analyse – eine sogenannte PCR – feststellen. Alternativ nimmt geschultes Personal eine visuelle Bonitur vor, bei der jeder Baum einzeln untersucht wird. Symptome der Apfeltriebsucht sind Hexenbesen, vergrößerte Nebenblätter und eine vorzeitige Rotfärbung im Herbst, die durch einen Chlorophyllabbau hervorgerufen wird. Dann ist die Erkrankung aber schon weit fortgeschritten. Beim Birnenverfall gibt es keine typischen Symptome – nur eine Rotfärbung.

Frühe Diagnose mittels spektraler Signatur

Sinnvoll wäre es daher, wenn man den Abbau des Chlorophylls bereits im Sommer erkennen und so die Ausbreitung von Apfeltriebsucht und Birnenverfall verhindern könnte. An einer solchen Frühdiagnostik arbeiten Forscher am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF in Magdeburg gemeinsam mit dem Institut für Pflanzenforschung AlPlanta aus Neustadt an der Weinstraße und der Firma Spatial Business Integration GmbH aus Darmstadt. Um die Krankheit zu detektiren, nutzen sie das  Reflexionsverhalten, das sich je nach Wellenlänge des Lichts verändert.

Digitale Bonitur mit Drohne

Der Clou: Um die krankhaften Veränderungen der Pflanze anhand der digitalen multi- und hyperspektralen Signaturen zu erkennen, nutzen die Projektpartner Verfahren des maschinellen Lernens. Sie trainieren und kombinieren verschiedene statistische Modelle und neuronale Netze mit Hilfe der Ergebnisdaten aus der visuellen Bonitur und der molekularen Analyse. Die so entwickelten Algorithmen ermöglichen dann eine spezifische Detektion von Apfeltriebsucht und Birnenverfall.