Während ihrer Standzeit über mehrere Jahrzehnte kann die Weinrebe (Vitis vinifera ssp. vinifera) von einer Vielzahl unterschiedlicher Pathogene infiziert werden, wovon einige in der Rebe verbleiben und sich so im Laufe der Zeit ansammeln. Derzeit stehen nur prophylaktische Ansätze zum Schutz vor vielen dieser endogenen Krankheiten zur Verfügung. Diese Maßnahmen beinhalten beispielsweise visuelle Bonituren im Weinberg und anschließendes Roden infizierter Reben oder Pathogennachweise in Rebvermehrungsanlagen, die dazu beitragen sollen gesundes Pflanzmaterial zu produzieren. Der Einsatz von Sensor-basierten Verfahren zur Krankheitsdetektion kann hierzu einen entscheidenden Beitrag leisten. Hyperspektrale Sensoren erfassen objektiv und nicht-invasiv die Reflektion von Pflanzen im visuellen Bereich des Lichts (400 – 700 nm) sowie im Nahinfrarot- (700 – 1000 nm) und kurzwelligen Infrarot-Bereich (1000 – 2500 nm). Biochemische und biophysikalische Änderungen, die durch Pathogenbefall induziert werden, führen zu Abweichungen in den Reflektionsspektren, welche mit Hilfe verschiedener Machine und Deep Learning Modelle analysiert und Infektionen dadurch frühzeitig erkannt werden können. Im Rahmen dieser Arbeit wurde die Eignung der Hyperspektralanalyse zur Erkennung der Rebkrankheiten FD Pfalz (PGY) und Schwarzholzkrankheit (BN), welche durch Phytoplasmen hervorgerufen werden, sowie der Viruserkrankung Blattrollkrankheit (GLD) und der durch Pilze induzierten Esca Krankheit evaluiert. Anhand von Gewächshauspflanzen konnten unter kontrollierten Bedingungen Detektionsmodelle für BN und PGY erstellt werden, die bis zu 96% der Pflanzen korrekt als gesund oder infiziert klassifizierten. Die Erkennung von infizierten, aber nicht symptomatischen Pflanzen bedarf allerdings noch weiterer Versuche. Da die Symptomentwicklung beider Krankheiten stark von Umgebungsfaktoren abhängig ist, wurden zusätzlich Triebe verschiedener Rebsorten aus dem Freiland analysiert. Auch hier konnten sehr gute Klassifikationsgenauigkeiten von bis zu 100% erzielt werden, was die Vermutung nahelegt, dass beide Krankheiten auch direkt im Feld detektiert werden können. Die Erkennung von GLD erfolgte zunächst ebenfalls an Gewächshauspflanzen. Dabei konnten 83 – 100% der symptomatischen Reben und 85 – 100% der infizierten, aber nicht symptomatischen Reben von Kontrollpflanzen unterschieden werden. Darüber hinaus wurden im Zeitraum von 2016 bis 2018 rund 500 Reben im Freiland näher untersucht. Auch hier wurden ähnlich hohe Klassifikationsgenauigkeiten erzielt. Außerdem konnte das Potential der Hyperspektralanalyse zur Erkennung infizierter, aber nicht symptomatischer Reben im Freiland gezeigt werden. Da die Ergebnisse jedoch sehr stark zwischen den Versuchsjahren schwankten, bedarf es weiterer Untersuchungen zur abschließenden Bewertung dieses Aspekts. Darüber hinaus konnten Symptome der beiden GLD-Krankheitserreger Grapevine leafrollassociated virus-1 und Grapevine leafroll-associated virus-3 erfolgreich voneinander unterschieden werden. Auch die Erkennung von Esca wurde über drei Jahre hinweg im Feld durchgeführt. Hyperspektrale Detektionsmodelle konnten erfolgreich sowohl für originale Felddaten als auch für manuell annotierte Daten erstellt werden. Erste Ergebnisse zeigten zudem deutlich das Potential der präsymptomatischen Detektion. Des Weiteren wurde die Übertragbarkeit der Modelle auf unbekannte Daten simuliert. Dabei zeigte sich, dass die Modelle zwar von einem Jahr auf ein anderes Jahr übertragen werden können, die Modellperformanz dabei jedoch deutlich nachlässt. Basierend auf den Hyperspektraldaten wurden für alle Krankheiten und alle Analyseansätze die wichtigsten Wellenlängen ermittelt, um eine Vereinfachung des komplexen Systems zu ermöglichen. Anhand dieser Wellenlängen könnten schließlich multispektrale Sensoren entwickelt werden, die schneller, günstiger und flexibler einsetzbar sind als hyperspektrale Anwendungen. Im Fall von Esca wurden bereits im Rahmen dieser Arbeit zusätzlich Multispektraldaten mittels Drohne erhoben und mit dem simulierten Ansatz aus den Hyperspektraldaten verglichen. Obwohl die simulierten Multispektraldaten sehr gute Ergebnisse erzielten und somit das Potential dieser Methode aufzeigen, bleibt die Luft-gestützte Krankheitserkennung derzeit noch eine Herausforderung.weiterlesen