Zeitraum
ab 01.Jan.2011
Ansprechpartner
Projektleiter
Weitere Mitarbeiter
Zusammen-
fassung
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.
Projektträger
und -partner
CROP.SENSe.net - Competence network for phenotyping science


Projektpartner: INRES Gartenbauwissenschaften, Uni Bonn
Bilder, Beispiele
Publikationen zum Projekt
Roscher, Ribana / Behmann, Jan / Mahlein, Anne-Katrin / Dupuis, Jan / Kuhlmann, Heiner / Plümer, Lutz:
Detection of Disease Symptoms on Hyperspectral 3D Plant Models
In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, Heft III-7, S. 89-96.
[ BibTeX ]

Extern
Roscher, Ribana / Behmann, Jan / Mahlein, Anne-Katrin / Plümer, Lutz:
On the Benefit of Topographic Dictionaries for Detecting Disease Symptoms on Hyperspectral 3D Plant Models - accepted
In: IEEE (Hg.): 8th Workshop on Hyperspectral Image and Signal Processing. Los Angeles 2016.
Behmann, Jan / Mahlein, Anne-Katrin / Paulus, Stefan / Kuhlmann, Heiner / Oerke, Erich-Christian / Plümer, Lutz:
Calibration of hyperspectral close-range pushbroom cameras for plant phenotyping
In: ISPRS Journal of Photogrammetry & Remote Sensing, 2015, Heft 106, S. 172-182.
[ BibTeX ]

Extern
Behmann, Jan / Mahlein, Anne-Katrin / Plümer, Lutz:
Early Identification of Plant Stress in Hyperspectral Images
In: Fritsch, Dieter (Hg.): Photgrammetric Week 2015. 2015, S. 317-327.

Extern
Behmann, Jan / Mahlein, Anne-Katrin / Rumpf, Till / Römer, Christoph / Plümer, Lutz:
A review of advanced machine learning methods for the detection of biotic stress in precision crop protection
In: Precision Agriculture, 16. Jg. 2015, Heft 3, S. 239-260.
[ BibTeX ]

Extern
Behmann, Jan / Schmitter, Peter / Steinrücken, Jörg / Ballvora, Agim / Mahlein, Anne-Katrin / Plümer, Lutz:
Detektion von Pflanzenstress in hyperspektralen Bildern im Nahbereich
In: Kersten, T. P. (Hg.): Bridging Scales -Skalenübergreifende Nah- und Fernerkundungsmethoden, 35. Wissenschaftlich-Technische Jahrestagung der DGPF. Köln 2015, S. 216-225.

Extern
Schmitter, Peter / Behmann, Jan / Steinrücken, Jörg / Mahlein, Anne-Katrin / Oerke, Erich-Christian / Plümer, Lutz:
Aktives Lernen zur Detektion von Pflanzenkrankheiten in hyperspektralen Bildern
In: Kersten, T. P. (Hg.): Bridging Scales -Skalenübergreifende Nah- und Fernerkundungsmethoden, 35. Wissenschaftlich-Technische Jahrestagung der DGPF. Köln 2015, S. 398-406.

Extern
Behmann, Jan / Schmitter, Peter / Steinrücken, Jörg / Plümer, Lutz:
Ordinal classification for efficient plant stress prediction in hyperspectral data
In: Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., 2014, Heft XL-7, S. 29-36.

Extern
Behmann, Jan / Steinrücken, Jörg / Plümer, Lutz:
Detection of early plant stress responses in hyperspectral images
In: ISPRS Journal of Photogrammetry & Remote Sensing, 2014, Heft 93, S. 98-111.
[ BibTeX ]

Extern
Römer, Christoph / Rodionov, Andrei / Behmann, Jan / Pätzold, Stefan / Welp, Gerhard / Plümer, Lutz:
Quantifying moisture and roughness with Support Vector Machines improves spectroscopic soil organic carbon prediction
In: Journal of Plant Nutrition and Soil Science, 2014.

Extern
Mahlein, Anne-Katrin / Rumpf, Till / Welke, Pascal / Dehne, Heinz-Wilhelm / Plümer, Lutz / Steiner, Ulrike / Oerke, Erich-Christian:
Development of spectral indices for detecting and identifying plant diseases
In: Remote Sensing of Environment, 2013, Heft 128, S. 21-30.

Extern
Rumpf, Till:
Finding spectral features for the early identification of biotic stress in plants
Dissertation, 2012.

14.9 M
Römer, Christoph / Bürling, Kathrin / Hunsche, Mauricio / Rumpf, Till / Noga, Georg / Plümer, Lutz:
Robust fitting of fluorescence spectra for presymptomatic wheat leaf rust detection with Support Vector Machines
In: Computers and Electronics in Agriculture, 79. Jg. 2011, S. 180-188.

Extern
Römer, Christoph / Bürling, Kathrin / Rumpf, Till / Hunsche, Mauricio / Noga, Georg / Plümer, Lutz:
Early identification of leaf rust on wheat leaves with robust fitting of hyperspectral signatures
In: Proc. of 10th International Conference Precision Agriculture. Denver, USA 2010.