Advertisement

Gesunde Pflanzen

, Volume 60, Issue 4, pp 143–149 | Cite as

Neue Ansätze zur frühzeitigen Erkennung und Lokalisierung von Zuckerrübenkrankheiten

  • Christian Hillnhütter
  • Anne-Katrin MahleinEmail author
Übersichtsartikel

Zusammenfassung

Zeitgemäße Methoden im Pflanzenbau und Pflanzenschutz stehen im engen Zusammenhang mit der Nutzung moderner Technologien. Nah- und Fernerkundungsmethoden, wie hyper- und multispektrale Sensoren oder Thermografie, eröffnen für den Präzisionspflanzenschutz vielfältige Möglichkeiten, die landwirtschaftliche Produktion effizienter und umweltfreundlicher zu gestalten. Am Modell der Zuckerrübe und ihrer Pathogene, bodenbürtige Pilze, Nematoden und Blattpathogene, werden derzeit Untersuchungen zum Einsatz nicht invasiver Sensoren mit dem Schwerpunkt auf folgenden Fragestellungen durchgeführt: Ist eine frühzeitige Erkennung des Befalls durch Pathogene möglich? Können die Schadursachen sensorisch differenziert werden?

Schlüsselwörter

Nah- und Fernerkundung Hyperspektrale Sensoren Multispektrale Sensoren Thermografie Rhizoctonia solani Heterodera schachtii Cercospora beticola Erysiphe betae Ramularia beticola Uromyces betae 

Early detection and localisation of sugar beet diseases: new approaches

Abstract

Modern methods in plant production and crop protection are closely related to modern technologies. Near-range and remote sensing, like hyper- and multispectral sensors or thermography, in precision pest management possess multiple opportunities to increase the productivity of agricultural production systems and do them more environmentally acceptable. Experiments are carried out on sugar beet plants and their pathogens to investigate the use of imaging and non-imaging hyperspectral sensors referring to the following questions: Is early detection of infection by pathogens possible? What is the potential to differentiate damage causing organisms?

Keywords

Remote sensing Hyperspectral sensors Multispectral sensors Thermography Rhizoctonia solani Heterodera schachtii Cercospora beticola Erysiphe betae Ramularia beticola Uromyces betae 

Notes

Danksagung

Dieses Projekt wird im Rahmen des DFG-Graduiertenkollegs 722 „Use of Information Technologies for Precision Crop Protection“ durchgeführt. Unser Dank gilt der DFG für die finanzielle Unterstützung.

Literatur

  1. Buschmann C (1993) Fernerkundung von Pflanzen. Naturwissenschaften 80:439–453CrossRefGoogle Scholar
  2. Bravo C, Moshou D, Oberti R, West J, McCartney A, Bodria L, Ramon H (2004) Foliar disease detection in the field using optical sensor fusion. Agricultural Engineering International CIGR Journal of Scientific Research and Development. Manuscript FP 04 008. Vol VI. December 2004:1–14Google Scholar
  3. Campbell CL, Noe JP (1985) The spatial analysis of soilborne pathogens and root diseases. Annu Rev Phytopath 23:129–148CrossRefGoogle Scholar
  4. Chaerle L, Van der Straete D (2001) Seeing is believing: imaging techniques to monitor plant health. Biochim Biophys Acta 1519:153–166PubMedGoogle Scholar
  5. Chaerle L, Hagenbeek D, De Bruyne E, Valcke R, van der Straeten D (2004) Thermal and chlorophyll-fluorescence imaging distinguish plant–pathogen interactions at an early stage. Plant Cell Physiol 45:887–896PubMedCrossRefGoogle Scholar
  6. Combal B, Baret F, Weiss M (2002) Improving canopy variables estimation from remote sensing data by exploiting ancillary information. Case study on sugar beet canopies. Agronomie 22:205–215CrossRefGoogle Scholar
  7. Delalieux S, van Aardt J, Kelemans W, Coppin P (2005) Detection of biotic stress (Venturia inaequalis) in apple trees using hypespectral analysis. Proceedings of the 4th EARSLeL Workshop on Imaging Spectroscopy, Warsaw, 27–29 April 2005, pp 677–689Google Scholar
  8. Dockter K, Schellberg J, Kühbauch W, von Rüsten C, Tempelmann U, Kupfer G (1988) Spectral reflectance of sugar beet and winter wheat canopies in the visible and infrared during growth. Proceedings of the 4th International Colloquium on Spectral Signatures of Objects in Remote Sensing, 18–22 January 1988, Aussois, France, pp 211–216Google Scholar
  9. European Comission (2008) http://ec.europa.eu/agriculture/agrista/2007/table_en/4311.pdf (Stand 13.6.2008)
  10. Evans K, Barker ADP (2004) Economics in nematode management from precision agriculture – limitations and possibilities. In: Cook R, Hunt DJ (eds) Nematol Monogr Perspectives 2:23–32Google Scholar
  11. Frahm J, Volk T, Johnen A (1996) Development of the PRO_PLANT decision-support system for plant protection in cereals, sugarbeet and rape. Bulletin OEPP/EPPO 26:609–622Google Scholar
  12. Führer Ithurrart ME (2003) Nachweis und Charakterisierung von Rhizoctonia solani (KÜHN), dem Erreger der Späten Rübenfäule an Zuckerrüben. Dissertation, Universität GöttingenGoogle Scholar
  13. Hatfield JL, Gitelson AA, Schepers JS, Walthall CL (2008) Application of spectral remote sensing for agronomic decisions. Agron J 100:117–131CrossRefGoogle Scholar
  14. Hellebrand HJ, Dammer K-K, Beuche H, Herppich WB, Flath K (2005) Infrarotbildverfahren im Pflanzenschutz. Agrartech Forsch 3:35–42Google Scholar
  15. Hope A, Coulter L, Stow D, Peterson S, Service D (1999) Root rot detection in sugar beet using multispectral video. http://www.gisdevelopment.net/aars/rcs/1999/ts1/ts101065pf.htm (Stand 12.6. 2008)
  16. Jackson RJ (1986) Remote sensing of biotic and abiotic plant stress. Annu Rev Phytopathol 24:265–287CrossRefGoogle Scholar
  17. Kuckenberg J, Tartachnyk I, Schmitz-Eiberger M, Noga GJ (2007) Early detection of leaf rust and powdery mildew infections of wheat leaves by PAM fluorescence imaging. In: Stafford JV (ed) Precision Agriculture’07: Proceedings of 6th European Conference on Precision Agriculture. Academic Publishers, Wageningen, pp 515–521Google Scholar
  18. Larsolle A, Muhammed HH (2007) Measuring crop status using multivariate analysis of hyperspectral field reflectance with application to disease severity and plant density. Prec Agric 8:37–47CrossRefGoogle Scholar
  19. Laudien GR (2005) Entwicklung eines GIS-gestützten schlagbezogenen Führungsinformationssystems für die Zuckerwirtschaft. Dissertation, Universität HohenheimGoogle Scholar
  20. Madden LV (1995) Plant disease incidence: Distributions, heterogeneity, and temporal analysis. Annu Rev Phytopathol 33:529–564CrossRefPubMedGoogle Scholar
  21. Müller M (2005) Fungizideinsatz im Weizenanbau in Abhängigkeit von Befallsauftreten und Ertragserwartung. Ges Pfl 57:97–100CrossRefGoogle Scholar
  22. Nicolas H, Rivoal R, Duchesne J, Lili Z (1991) Detection of Heterodera avenae infestations on winter wheat by radiothermometry. Revue Nématol 14:285–290Google Scholar
  23. Oerke E-C, Steiner U, Dehne H-W, Lindenthal M (2006) Thermal imaging of cucumber leaves affected by downy mildew and environmental conditions. J Exp Bot 57:2121–2132PubMedCrossRefGoogle Scholar
  24. Ophel-Keller K, McKay A, Hartley D, Herdina, Curran J (2008) Development of a routine DNA-based testing service for soilborne diseases in Australia. Australasian Plant Pathol 37:243–253CrossRefGoogle Scholar
  25. Pinter PJ, Hatfield JL, Scheper JS, Barnes EM, Moran MS, Daugthry CST, Upchurch DR (2003) Remote sensing for crop management. Photogramm Eng Remote Sensing 69:647–664Google Scholar
  26. Racca P, Jörg E (2007) CERCBET 3 – a forecaster for epidemic development of Cercospora beticola. Bulletin OEPP/EPPO 37:344–349Google Scholar
  27. Schmitz A, Tartachnyk I, Noga G, Sikora RA (2004) Einfluss unterschiedlicher Populationsdichten des Rübenzystennematoden Heterodera schachtii auf die laserinduzierten Fluoreszenzmuster von Zuckerrüben. Mitt Biol Bundesanst Land- Forstwirtsch 396:566Google Scholar
  28. Schmitz A (2005) Eignung berührungsloser Messverfahren zur Erkennung des Befalls von Zuckerrüben durch Heterodera schachtii (Schmidt) und Möglichkeiten der teilflächenspezifischen integrierten Bekämpfung. Dissertation, Universität BonnGoogle Scholar
  29. Scotford IM, Miller PCH (2005) Applications of spectral reflectance techniques in northern European cereal production: a review. Biosyst Eng 90:235–250Google Scholar
  30. Stafford JV (2000) Implementing Precision Agriculture in the 21st Century. J Agric Eng Res 76:267–275CrossRefGoogle Scholar
  31. Steddom K, Bedehoeft MW, Khan M, Rush CM (2005) Comparison of visual and multispectral radiometric disease evaluations of Cercospora leaf spot of sugar beet. Plant Dis 89:153–158CrossRefGoogle Scholar
  32. von Witzke H, Noleppa S, Schwarz G (2008) Global agricultural market trends and their impacts on european agriculture. Working Paper 84, Humboldt Universität Berlin. http://www.agrar.hu-berlin.de/struktur/institute/wisola/publ/wp (Stand 13.6.2008)
  33. West JS, Bravo C, Oberti R, Lemaire D, Moshou D, McCartney HA (2003) The potential of optical canopy measurement for target control of field crop diseases. Annu Rev Phytopathol 41:593–614PubMedCrossRefGoogle Scholar
  34. Wolf PFJ (2001) Über die Integration von Bekämpfungsmaßnahmen gegen pilzliche Blattkrankheiten der Zuckerrübe – IPS-Modell Zuckerrübe. Habilitationsschrift. Shaker Verlag, AachenGoogle Scholar
  35. Wolf PFJ, Vereet JA (2002) The IPM sugar beet model, an integrated pest management system in Germany for the control of fungal leaf diseases in sugar beet. Plant Dis 86:336–344CrossRefGoogle Scholar
  36. Zadocks JC, van den Bosch F (1994) On the spread of plant disease: A theory on foci. Annu Rev Phytopathol 32:503–521CrossRefGoogle Scholar
  37. Zhang M, Qin Z, Liu X (2005) Remote sensed spectral imagery to detect late blight in field tomatoes. Prec Agric 6:489–508CrossRefGoogle Scholar

Copyright information

© Springer-Verlag 2008

Authors and Affiliations

  1. 1.INRES – PhytomedizinUniversität BonnBonnDeutschland

Personalised recommendations