Französische Forscher veröffentlichen Spektraldatensatz mit 14.636 Blättern zur frühzeitigen Erkennung von tödlichen Rebenkrankheiten

Forscher in Frankreich haben einen umfassenden, mehrjährigen Spektraldatensatz veröffentlicht, mit dem die Erkennung von Rebengelbkrankheiten in Chardonnay-Weinbergen verbessert werden soll. Der Datensatz, der die Jahre 2020 bis 2024 abdeckt, wurde in der Versuchsanlage des Comité Champagne in Plumecoq und einer benachbarten Parzelle gesammelt. Er umfasst 14.636 Spektren von Rebenblättern, die fünf Klassen repräsentieren: gesund, vergilbt (zu denen Flavescence dorée und Bois noir gehören), Blattroll, Esca und Verfärbung.

Die Vergilbung der Weinrebe ist eine Gruppe von durch Phytoplasmen verursachten Krankheiten, die weltweit eine große Bedrohung für den Weinbau darstellen. In Europa sind Flavescence dorée (FD) und Bois noir (BN) die wichtigsten. Diese Krankheiten können schwerwiegende Symptome wie Blattvergilbung und -rollen, schlechte Verholzung der Triebe, unvollständige Reifung der Trauben und schließlich das Absterben der Reben verursachen. Die wirtschaftlichen Auswirkungen sind aufgrund der vorgeschriebenen Quarantänemaßnahmen und der Notwendigkeit, befallene Rebstöcke neu zu pflanzen, hoch. Eine frühzeitige Erkennung ist von entscheidender Bedeutung, da infizierte Rebstöcke die Krankheit mindestens ein Jahr lang verbreiten können, bevor sie sichtbare Symptome zeigen.

Chardonnay ist besonders anfällig für diese Krankheiten. Die Symptome ähneln oft denen anderer Krankheiten wie Leafroll (eine Viruserkrankung), Esca (eine Pilzerkrankung am Holz) und verschiedenen Arten von Verfärbungen, die auf Nährstoffmangel oder Umweltstress zurückzuführen sind. Diese Überschneidung macht die visuelle Diagnose schwierig und arbeitsintensiv. Labortests wie PCR sind in der Regel erforderlich, um zwischen FD und BN zu unterscheiden, aber diese sind für eine groß angelegte Überwachung von Weinbergen nicht praktikabel.

Um diese Herausforderungen zu meistern, sammelte das Forschungsteam jeden September oder Oktober während der Erntezeit Spektraldaten von Blättern. Die Blätter wurden aus sechs Zonen innerhalb des Versuchsgeländes und einem benachbarten Weinberg mit unterschiedlichen Bewirtschaftungsmethoden entnommen. Für jede Pflanze wurden die Blätter sowohl an der Spitze (oben) als auch in der Mitte (Mitte) entnommen. Die Proben wurden schnell in ein Labor transportiert, wo die Spektren mit einem LabSpec® 4i ASD-Spektrometer mit Kontaktsonde aufgenommen wurden. Dieser Aufbau ermöglichte hochauflösende Messungen im Wellenlängenbereich von 350 nm bis 2500 nm.

Der Datensatz erfasst die Variabilität zwischen den Jahren mit unterschiedlichen Wetterbedingungen und Pflanzenschutzbehandlungen. Im Jahr 2020 war das Laub beispielsweise sehr gesund; 2021 gab es starke Regenfälle und sichtbare Rückstände von Behandlungen; 2022 war es heiß und trocken mit braunen Flecken auf den Blättern; 2023 gab es Echten Mehltau; und 2024 wurde durch Falschen Mehltau gekennzeichnet, der zu Blattverbrennungen führte.

Die anfängliche Analyse der Daten umfasste eine L2-Normalisierung der Spektren, um die Größenunterschiede zu korrigieren und gleichzeitig ihre Form zu erhalten. Die Durchschnittsspektren zeigten, dass bestimmte Wellenlängen - insbesondere um 550 nm, 730 nm, 1400 nm, 1900 nm und 2200 nm - zur Unterscheidung zwischen den Klassen beitragen können. Allerdings gibt es nach wie vor signifikante spektrale Ähnlichkeiten zwischen den Gelbfärbung-, Esca- und Blattrollklassen.

Die Hauptkomponentenanalyse (PCA) wurde verwendet, um die Dimensionalität der Daten zur Visualisierung und weiteren Analyse zu reduzieren. Die ersten drei Hauptkomponenten machten etwa 88 % der Gesamtvarianz im Datensatz aus. PC1 wurde am stärksten von Wellenlängen beeinflusst, die mit dem Wassergehalt und der Zellstruktur zusammenhängen; PC2 erfasste Veränderungen, die mit Pigmenten wie Chlorophyll zusammenhängen; PC3 hob subtilere Variationen hervor, die für die Erkennung von Symptomen im Frühstadium oder lokaler Verfärbung wichtig sein könnten.

Trotz dieser Ergebnisse zeigten die PCA-Projektionen erhebliche Überschneidungen zwischen den Klassen, was bestätigt, dass eine Unterscheidung zwischen ihnen allein auf der Grundlage linearer Spektralmerkmale schwierig ist. Dies unterstreicht den Bedarf an fortschrittlicheren Algorithmen oder Methoden zur Merkmalsauswahl, um die Klassifizierungsgenauigkeit zu verbessern.

Der vollständige Datensatz ist über das Recherche Data Gouv Repository öffentlich zugänglich (DOI: 10.57745/KPNOJL). Er enthält nicht nur die Spektralmessungen, sondern auch Metadaten zu Jahr, Zone, Blattposition und Klassenbezeichnungen. Um die Reproduzierbarkeit und weitere Forschung zu unterstützen, wird Python-Code in einem Jupyter-Notebook auf GitHub bereitgestellt (https://github.com/zsr1997/Scientific-Data). Mit diesem Code können Benutzer auf die Daten zugreifen, sie visualisieren und analysieren.

Es wird erwartet, dass die Veröffentlichung dieses Datensatzes die Forschung im Bereich der automatisierten Erkennungsmethoden für Weinrebenkrankheiten unter Verwendung der Spektralanalyse beschleunigen wird. Durch die Bereitstellung von Daten, die unter verschiedenen Umweltbedingungen über mehrere Jahre hinweg gesammelt wurden, bietet er eine solide Grundlage für die Entwicklung von Modellen, die weniger empfindlich auf jährliche Schwankungen oder lokale Weinbergspraktiken reagieren.

Für die Zukunft planen die Forscher, diese Ressource um multispektrale Bilder zu erweitern, die unter kontrollierten Bedingungen an denselben Standorten aufgenommen wurden. Die Integration räumlicher Informationen mit Spektraldaten könnte die Modelle zur Krankheitserkennung weiter verbessern, indem sowohl biochemische Veränderungen in den Blättern als auch deren räumliche Verteilung auf den Pflanzen erfasst werden.

Diese Initiative spiegelt das wachsende Interesse an Werkzeugen für die Präzisionslandwirtschaft wider, die Weinbergsverwaltern dabei helfen können, Krankheiten früher und genauer zu erkennen, als dies mit herkömmlichen visuellen Inspektionen möglich ist. Durch den offenen Zugang zu Daten und Analysewerkzeugen können Forscher weltweit dazu beitragen, skalierbare Lösungen für den Schutz von Weinbergen vor verheerenden Krankheiten wie Flavescence dorée und Bois noir zu entwickeln.