Fernerkundung Auswertung von zwei Spinnmilbe Schaden auf Gewächshaus-Baumwolle
28. April 2017
Dieses Manuskript beschreibt einen multispektralen optischen Sensor, der wirksam eine Beschädigung zu Beginn der Saison Baumwolle künstlich infiziert mit unterschiedlichen Dichten der beiden Spinnmilbe Populationen nachgewiesen.
Das übergeordnete Ziel dieses Verfahrens ist es, eine objektive Methode zur Quantifizierung von Schäden an Baumwollpflanzen durch Zweipunktspinnmilben mit Hilfe eines aktiven multispektralen optischen Sensors zu etablieren. Diese Methode kann helfen, wichtige Fragen der landwirtschaftlichen Entomologie zu beantworten, z. B. welche Insektizide am besten in der Lage sind, Spinnmilben in Baumwolle zu bekämpfen. Der Hauptvorteil dieser Technik besteht darin, dass sie den Forschern eine objektive Metrik für die Bewertung von Spinnmilbenschäden auf Baumwolle bietet und gleichzeitig Zeit und wertvolle menschliche Ressourcen spart.
Wir hatten zuerst diese Idee für diese Methode, um verschiedene Insektizide auf Baumwolle auf ihre Wirksamkeit gegen Zweipunktspinnmilben zu untersuchen. Um das Protokoll zu beginnen, züchten Sie nicht gentechnisch veränderte oder nicht BT-Baumwollpflanzen bis zu einem echten Blattstadium von vier bis fünf echten Blattstadien in Plastikschalen in einem Gewächshaus. Übertragen Sie als Nächstes Spinnmilbenkolonien von den Pintobohnen auf die jungen Baumwollpflanzen mit vier bis fünf echten Blattstadien.
Übertragen Sie drei Massen Spinnmilben auf eine leicht befallene Pflanze. Stellen Sie eine Pfanne unter die Blattspitze der Pintobohnen, die zweipunktige Spinnmilben- oder TSSM-Massen enthält. Die Blattspitzen der Pintobohnen mit einer Schere abschneiden, so dass die TSSM-Massen in die Pfanne fallen.
Drehe die Pfanne über die Baumwollpflanzen und klopfe die TSSM-Massen auf die Pflanzen. Verteilen Sie dann die drei Massen der TSSM nach dem Zufallsprinzip auf der Baumwollpflanze. Bei medial befallenen Pflanzen übertragen Sie 20 Massen, indem Sie eine Pfanne unter die Blattspitze der Pintobohnen mit den TSSM-Massen stellen.
Die Blattspitzen der Pintobohnen mit einer Schere abschneiden und in die Pfanne fallen lassen. Drehen Sie die Pfanne über den Baumwollpflanzen auf den Kopf und klopfen Sie TSSM-Massen auf 100 Baumwollpflanzen, die im Gewächshaus gezogen werden. Übertragen Sie 40 Massen für stark befallene Pflanzen.
Dann 40 Massen in einer Pfanne sammeln. Infizieren Sie Baumwollpflanzen vor der Schadensbestimmung mit Zweipunktspinnmilben, wie im Textprotokoll beschrieben. Montieren Sie den optischen Sensor horizontal am Gewächshausrahmen etwa einen Meter über dem Boden.
Stellen Sie den Abstand zwischen dem Scanner und dem Pflanzendach auf 36 Zoll ein. Verwenden Sie eine Zimmermannswaage, um sicherzustellen, dass der Sensor horizontal waagerecht ist. Beim Scannen der Testpflanzen ist es wichtig, dass der Scanner in einem festen Abstand zum Pflanzendach platziert wird und dass der Hintergrund gleichmäßig ist.
Stellen Sie als Nächstes unbefallene Tabletts mit Baumwollpflanzen auf einen Schiebewagen mit Rädern. Aktivieren Sie den Sensorschalter und schieben Sie den Wagen langsam unter den Sensor, bis das Tablett vollständig am Sensorkopf vorbeiführt. Sobald das Fach den Sensor vollständig passiert hat, schalten Sie den Schalter aus und ziehen Sie den Wagen ein.
Wiederholen Sie dann den Scan, um insgesamt drei Replikationen für alle Baumwollschalen zu erhalten. Übertragen Sie die normierten Differenz-, Vegetationsindex- oder NDVI-Werte aus dem Scannen und speichern Sie diese auf einem Pocket-PC. Laden Sie sie dann im Textformat auf einen Computer herunter. In diesem Diagramm werden normalisierte Differenz-Vegetationsindex- oder NDVI-Werte verwendet, um die Unterschiede in der Pflanzenvitalität zwischen nicht befallenen Kontrollpflanzen zu zeigen, die das vegetative Wachstum erhöhten, im Gegensatz zu den TSSM-befallenen Pflanzen, deren Gesundheit sich im Laufe der Zeit verschlechterte.
Der mittlere Abstand der Behandlungen zeigte keinen definierbaren Unterschied in der prozentualen Reduktion der NVDI zwischen den Behandlungskategorien und der Kontrolle bis zum fünften Tag, als die Befallsklassen signifikant von der Kontrolle abwichen und im Laufe der Zeit weiter abwichen. Bei diesem Verfahren ist es wichtig, daran zu denken, eine gleichbleibende Höhe des optischen Sensors über der Zielkappe beizubehalten und einen konsistenten Hintergrund zu gewährleisten. Nach ihrer Entwicklung ebnete diese Technik den Weg für Forscher auf dem Gebiet der landwirtschaftlichen Entomologie, um die Wirkung von Insektiziden gegen Zweipunktspinnmilben auf Baumwolle zu bewerten.
Die Verwendung eines multispektralen aktiven optischen Sensors zur Bewertung der insektiziden Wirksamkeit bei der Bekämpfung von Spinnmilben in Baumwolle ist effizienter als subjektive Schadensbewertungen für die Bewertung von Behandlungsunterschieden.
Überblick
Diese Studie präsentiert einen multispektralen optischen Sensor, der entwickelt wurde, um Schäden an Baumwollpflanzen durch Zweipunkt-Spinnmilben objektiv zu quantifizieren. Diese Methode zielt darauf ab, die Forschungseffizienz in der landwirtschaftlichen Entomologie zu verbessern.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Landwirtschaftliche Entomologie
- Bewertung der Pflanzengesundheit
- Schädlingsbekämpfung
Hintergrund
- Zweipunkt-Spinnmilben sind bedeutende Schädlinge der Baumwolle.
- Die aktuellen Methoden zur Bewertung von Schäden sind oft subjektiv.
- Objektive Metriken können die Bewertung von Schädlingsbekämpfungsstrategien verbessern.
- Multispektrale Sensoren ermöglichen eine nicht-invasive Bewertung der Pflanzengesundheit.
Ziel der Studie
- Eine Methode zur Quantifizierung von Spinnmilbenschäden an Baumwolle zu entwickeln.
- Die Wirksamkeit verschiedener Insektizide gegen Spinnmilben zu bewerten.
- Forschern ein zuverlässiges Werkzeug zur Bewertung der Pflanzengesundheit zur Verfügung zu stellen.
Verwendete Methoden
- Nicht gentechnisch veränderte Baumwollpflanzen in einem Gewächshaus anbauen.
- Pflanzen mit unterschiedlichen Dichten von Spinnmilben befallen.
- Einen multispektralen optischen Sensor verwenden, um Pflanzen aus einer festen Höhe zu scannen.
- Normalisierte Differenzvegetationsindex (NDVI) Werte analysieren, um die Pflanzenkraft zu bewerten.
Hauptergebnisse
- NDVI Werte zeigten signifikante Unterschiede in der Pflanzengesundheit zwischen befallenen und nicht befallenen Pflanzen.
- Die Wirksamkeit von Insektiziden konnte mit dieser Methode objektiver bewertet werden.
- Konsistente Sensorhöhe und Hintergrund waren entscheidend für genaue Messungen.
- Die Technik ermöglicht eine effiziente Datenerfassung im Vergleich zu traditionellen Methoden.
Schlussfolgerungen
- Der multispektrale optische Sensor ist ein effektives Werkzeug zur Bewertung von Spinnmilbenschäden.
- Diese Methode verbessert die Fähigkeit zur Bewertung der Insektizidwirksamkeit.
- Zukünftige Forschung kann auf dieser Technik aufbauen, um Schädlingsbekämpfungsstrategien zu verbessern.
Häufig gestellte Fragen
Executive Industry Relevance
Objective quantification of pest-induced plant damage using multispectral optical sensors enables more reliable assessment of crop health and treatment efficacy. This approach replaces subjective visual ratings, supporting data-driven decisions in agricultural R&D and accelerating the evaluation of new pest control agents. The method enhances predictive confidence at the intersection of plant health monitoring and agrochemical development.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective measurement of plant stress responses to pest infestation and treatment.
- Supports functional validation of candidate insecticides by quantifying biological impact.
- Facilitates mechanistic de-risking by distinguishing treatment effects from background variability.
- Improves predictive confidence in early-stage agrochemical screening.
Screening & Assay Development
- Provides standardized, reproducible NDVI-based readouts for high-throughput screening of pest control agents.
- Reduces labor and subjectivity compared to manual damage scoring.
- Enables scalable evaluation of multiple treatment conditions across large plant cohorts.
- Supports platform reuse for diverse pest and crop combinations.
Translational & Preclinical Research
- Aligns remote sensing outputs with translational endpoints for crop protection studies.
- Enables continuity from discovery-phase screening to pre-commercial field validation.
- Supports risk-adjusted advancement of candidate treatments based on quantitative efficacy data.
- Provides mechanistic insight into plant-pest-agent interactions for translational research.
Pipeline & Workflow Integration
This remote sensing method integrates into the discovery-to-validation continuum for crop protection R&D, bridging early screening and translational assessment of treatment efficacy.
- Discovery Biology: Objectively quantifies plant response to pest challenge and treatment intervention.
- Screening: Delivers reproducible, quantitative NDVI outputs for comparing treatment groups.
- Analytics: Enables statistical analysis of plant health metrics across experimental conditions.
- Translational Research: Provides a scalable, field-relevant readout for pre-commercial validation of agrochemicals.
- Enterprise Reuse: Establishes a reusable sensor-based workflow for ongoing pest management studies.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in treatment evaluation.
- Operational Value: Standardizes data collection, enhances reproducibility, and streamlines resource use.
- Strategic Value: Improves go/no-go decisions and accelerates development timelines for new pest control agents.
- Portfolio Impact: Supports risk-adjusted prioritization of candidate treatments based on robust efficacy data.
Implementation Considerations
- Requires expertise in remote sensing and plant health analytics.
- Needs access to multispectral optical sensors and compatible data infrastructure.
- Demands cross-team standardization of sensor placement and background conditions.
- May require adaptation for different crop species or greenhouse environments.
- Accuracy depends on consistent sensor height and uniform background as supported by the protocol.
