Volltextdatei(en) vorhanden
Titel: Developing a Remote Sensing Framework for Myrtle Rust (Austropuccina psidii) Detection onLemon Myrtle (Backhousia citriodora)
Sonstige Titel: Entwicklung einer Fernerkundungsmethode zur Erkennung des Rostpilzes Austropuccinia psidii auf Backhousia citriodora
Sprache: Englisch
Autor*in: Heim, René Hans-Jürgen
Schlagwörter: Drohnen; Unmanned Aerial System
GND-Schlagwörter: Fernerkundung
Phytomedizin
Myrtengewächse
Erscheinungsdatum: 2018
Tag der mündlichen Prüfung: 2019-02-08
Zusammenfassung: 
As global population is expected to double by 2050, the need for securing adequate food production is becoming an urgent problem to be solved. At the same time agriculture‘s environmental footprint needs to be decreased drastically. As pathogens and pests are responsible for the loss of one third of global crop production, optimizing their management is of utmost importance. By combining information systems, sensors and enhanced machinery, the field of ‘precision agriculture’ promises to be a smart solution to fulfil the demands of modern agriculture. The site- and crop-specific adaption of precision agriculture can account for the variability and uncertainty in a managed landscape and thus allows for an improved use of resources, such as water, fertilizer or even pesticides and fungicides which in turn can help maintain environmental integrity. Remote sensing technologies, such as spectral sensors and spectral vegetation indices, are now routinely incorporated into precision agriculture strategies to monitor crop needs such as fertilizer, water and pathogen deterring agrochemicals across large areas.
In this thesis, the pathogen myrtle rust (Austropuccinia psidii) on lemon myrtle (Backhousia citriodora) is studied to explore whether it is possible to establish a remote sensing approach for the detection ‒ and management ‒ of myrtle rust in managed landscapes. Hyperspectral and multispectral sensors were utilized at leaf- and canopy-scale to collect spectral signatures of fungicide treated and untreated lemon myrtle trees. These reflectance signatures were used to build random forest classification models which were evaluated for their accuracy to discriminate treated and untreated trees at both scales. Further, relevant wavebands for both classification problems were selected to reduce redundancy and data load. We developed an innovative method to design a new form of spectral vegetation indices, a disease-specific spectral vegetation index (SDI). We tested the classification accuracy of our new SDI and compared it to common spectral vegetation indices.
Overall, results indicate that sensor-guided disease detection is possible at leaf- and canopy-scale. High classification accuracies were found based on data collected on a single lemon myrtle plantation and from a botanical garden. If more spectral data can be collected from the investigated pathosystem it would be possible to validate the findings of this thesis, and the integration of our developed methods into standardized management workflow seems feasible. However, there is still much research required to use remote sensing techniques commercially for plant disease detection. Until we are able to compare and harmonize spectral disease data from different geographical locations, pathosystems and abiotic stress sources, it will be difficult to generalize gained insights from this interdisciplinary field. More research is necessary to understand plant physiological responses to different sources of stress and then link these responses to specific spectral regions and signatures. Future research should be guided by questions addressing (i) the detection of pre-symptomatic phases of diseases of pathogenesis, (ii) the differentiation among different pathogens on identical and different hosts, (iii) the separation of biotic and abiotic stresses, and (iv) the quantification of disease severity.

Es wird erwartet, dass sich die Weltbevölkerung bis 2050 verdoppelt. Daher ist eine nachhaltige Versorgung mit Nahrung ein ernstzunehmendes Problem, das umgehend gelöst werden muss. Dies muss jedoch im Einklang mit der Reduzierung des immensen, ökologischen Fußabdruckes der Landwirtschaft geschehen. Da Krankheitserreger und Schädlinge von Pflanzen für den Verlust von einem Drittel der weltweiten landwirtschaftlichen Produktion verantwortlich sind, ist die Optimierung ihrer derzeitigen Behandlungsmethoden von größter Bedeutung. Durch die Kombination von Sensoren, Informationssystemen und modernen, Nutzmaschinen bietet das Forschungsfeld der Präzisionslandwirtschaft Lösungen für die Ansprüche des modernen Agrarwesens. Das Prinzip der Präzisionslandwirtschaft ist die gezielte und systemspezifische Anwendung von Maßnahmen, die zu einer optimierten Verwaltung aller Produktionsbereiche führen. Dies beinhaltet unter anderem die gezielte Applikation von Wasser, Nährstoffen und Chemikalien. Im Gegensatz zu der systemischen Verwendung von Resourcen, kann durch gezielte Maßnahmen nicht nur die Produktionseffizienz gesteigert werden, sondern auch eine, an der natürlichen Umwelt angepasste Landwirtschaft gewährleistet werden. Die Umsetzung von Strategien in der Präzisionslandwirtschaft wird heutzutage durch Methodiken aus der Fernerkundung unterstützt. Optische Sensoren und spektrale Vegetationsindizes können zur Überwachung von relevanten Produktionsparametern routinemäßig in den landwirtschaftlichen Arbeitsablauf integriert werden.
Die vorgelegte Dissertation erbringt einen Nachweis zur sensorgesteuerten Erkennung des pathogenen Rostpilzes Austropuccinia psidii auf einer industriell relevanten Wirtspflanze, der Zitronenmyrte (Backhousia citriodora). Hyperspektrale und multispektrale Sensoren kamen auf Blatt- und Baumkronenebene zum Einsatz um spektrale Signaturen von fungizid-behandelten und unbehandelten Zitronenmyrtebäumen aufzuzeichnen. Diese Signaturen wurden daraufhin verwendet, um mehrere Random Forest Klassifikationsmodelle zu trainieren, welche wiederum nach ihrer Genauigkeit evaluiert wurden, um die behandelten und unbehandelten Zitronenmyrtebäume zu unterscheiden. Auf Blatt- und Baumkronenebene wurden klassifkationsrelevante Prädiktoren (Bänder) selektiert, um Informationsredundanz und Datenmenge zu reduzieren. Darauf basierend, wurde ein innovativer spektraler Index entwickelt, der spezifisch für das untersuchte Pathosystem ist (LMMR Index = Lemon Myrtle/ Myrtle Rust). Letztendlich wurde die Klassifikationsgenauigkeit des LMMR Index getested und mit herkömmlichen spektralen Indizes verglichen.
Die gefundenen Ergebnisse deuten darauf hin, dass optische Sensoren für die Detektion des Rostpilzes A. psidii sowohl auf Blatt- als auch auf Baumkronenebene geeignet sind. Hohe Klassifikationsgenauigkeiten konnten anhand von spektralen Signaturen, die auf einer Zitronenmyrtenplantage und in einem botanischen Garten aufgezeicnet wurden, ermittelt werden. Weitere spektrale Daten des untersuchten Pathosystems müssen in Zukunft aufgezeichnet werden, um die Ergebnisse dieser Dissertation zu validieren. Es lässt sich schlussfolgern, dass eine Integration und Erweiterung der hier entwickelten Methoden in standartisierte Arbeitsabläufe möglich und lohnenswert sind. Um eine routinemäßige und kommerziell nutzbare Anwendung basierend auf unseren Ergebissen zu etablieren, ist jedoch weitere Forschung notwenig. Das Harmonisieren und Vergleichen von kontinentübergreifenden spektralen Daten unterschiedlichster Pathosysteme und auch von abiotischen Stressquellen ist notwendig, um generalisierbare Ergebnisse in diesem interdisziplinären Feld zu erzielen. Weitere Forschung sollte versuchen eine sinnvolle Beziehung zwischen spektralen Signaturen und physiologischen Veränderungen von Pflanzen unter biotischem und abiotischem Stress herzustellen. Hier könnten sich zukünftige Forschungsprojekte durch folgende Fragen bezüglich der Erkennung von Pflanzenkrankheiten leiten lassen: Ist die spektrale Übersetzung von Symptomen an unterschiedlichen Zeitpunkten des Krankheitsverlaufes umsetzbar? Können unterschiedliche Krankheiten spektral voneinander unterschieden werden? Können abiotische und biotische Signale ebenfalls voneinander unterschieden werden und kann die Anfälligkeit von Pflanzen gegenüber Krankheiten quantifiziert werden? Auch die Erkennung von Pflanzenkrankheiten bevor Symptome mit dem bloßen Auge erkennbar werden ist von großer Bedeutung.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/8049
URN: urn:nbn:de:gbv:18-95877
Dokumenttyp: Dissertation
Betreuer*in: Jensen, Kai (Prof. Dr.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung Prüfsumme GrößeFormat  
Dissertation.pdfffb9908716721871045718bda3a2b11d3.19 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

332
Letzte Woche
Letzten Monat
geprüft am 28.03.2024

Download(s)

293
Letzte Woche
Letzten Monat
geprüft am 28.03.2024
Werkzeuge

Google ScholarTM

Prüfe