Früherkennung von biotischem Stress in Nutzpflanzen mit Floureszenzsensoren

ab 01.Jan.2011

Die Früherkennung pathogener Infektionen ist von großer Relevanz für den Präzisionspflanzenschutz. Präsymptomatische Erkennung von biotischem Stress ist von besonderem Interesse. In diesem Kontext wurden Fluoreszenz Sensoren entwickelt, die unter Feld und Laborbedingungen eine schnelle, nicht-invasive Früherkennung von Pflanzenkrankheiten ermöglichen. Verschiedene Pflanzenarten haben spezifische Fluoreszenz-Signaturen. Stress resultiert in einer Veränderung der Anzahl und Zusammensetzung der Fluorophore im Blattgewebe, was einen direkten und indirekten Einfluss auf die typische Signatur hat. Auch können bestimmte Pilzkrankheiten eine Eigenfluoreszenz aufweisen, die in der Signatur detektierbar sein könnte.

Üblicherweise werden Verhältnisse von Amplituden und den Hochpunkten der Kurve gebildet um Krankheiten über Schwellwerte zu erkennen. Allerdings stoßen einfache Schwellwertanalysen häufig an ihre Grenzen, wenn es um eine präsymptomatische Erkennung geht, da hier die krankheitsbedinten Veränderungen sehr subtil sind und sich oftmals im Sensorrauschen verbergen oder kleiner sind als Variationen aufgrund der biologischen Vielfalt. Daher fragt man sich, ob es möglich wäre, mehr Informationen aus der spektral hochaufgelösten Signatur zu erhalten, wenn man das gesamte Spektrum zur Auswertung verwendet. Dies ist jedoch schwierig, da dem hochaufgelösten Spektrum aufgrund der aufwendigen Zucht- und Messbedingungen oftmals nur wenige Beobachtungen zur Verfügung stehen. Support Vector Machines sind ein maschinelles Lernverfahren welches sehr robust gegen Overfitting ist und nachweisbar mit dem unbalancierten Verhältnis zwischen beobachteten spektralen Merkmalen und annotierten Datensätzen sehr gut umgehen kann. Dennoch kann das Klassifikationsergebnis deutlich gesteigert werden und zuverlässiger werden, wenn man anstelle der beobachteten Wellenlängen Merkmale ableitet, die die Charakteristik der Kurve in einem niedrigdimensionalen Raum widerspiegeln. Dieses Projekt widmet sich der Fragestellung, welche Merkmale geeignet sind, möglichst viel Information über die spektrale Signatur zu erhalten und zusammen mit maschinellen Lernverfahren, wie den Support Vektor Maschinen, zu einer frühstmöglichen, zuverlässigen Klassifikation von biotischem Stress bei Nutzpflanzen führen.