Spatial prediction of the infestation risks of winter wheat by the pathogens Blumeria graminis f. sp. tritici (Powdery mildew) and Puccinia triticina (Brown rust) in Schleswig-Holstein using machine learning techniques
Wheat is one of the most important cereals in the world. Phytopathogens such as powdery mildew or brown rust can considerably reduce wheat yields. By treatment with fungicides, infections with these pathogens can be contained. It is of decisive importance to be informed about upcoming dangerous infestation events in real time to be able to respond to them. To define which infestation events are to be classified as yield-relevant, this work uses the damage threshold concept according to Klink1997. This concept assumes that the exceedance of a 70 % threshold value for powdery mildew and of a 30 % threshold value for brown rust of infected plants in a field would threaten the yield of the complete stock of winter wheat and, thus, suggests the application of fungicides. The main objective of this thesis is the spatial prediction of the probability of exceedance above this damage threshold. In order to achieve this goal, a concept was developed that regionalises the hourly weather data on a daily basis and subsequently uses these data as input parameters for predicting the pathogen-specic behaviour. Besides, the modelling concept uses supervised machine learning techniques to generate models based on these aggregated weather data, regionalised climate data and manually collected infestation data. The following learning methods are used to predict the occurrence of infestation spatially: k-Nearest Neighbor, Decision Trees, Boosted Decision Trees and Random Forests. The concept was examined iteratively using various evaluation methods, and thus the pathogen-specic performance of the models was tested concerning the prediction of the probability of infestation. The combination of interpolation and machine learning techniques to predict the two pathogens presented first time within this thesis proved to be successful, as evidenced by an accuracy between 61 % and 84 % for powdery mildew and between 72 % and 84 % for brown rust. The values of the Receiver Operating Characteristic Area Under the Curve (ROC AUC) used as a quality measure for the successfully predicted exceedances, range from 0.64 to 0.86 (Powdery mildew) and from 0.67 to 0.91 (Brown rust) also prove this. Distinct differences in dependence of the used machine learning methods and the investigated phytopathogens were found. Thus, the k-Nearest Neighbor procedure proved to be the least promising in this context. The Random Forest method achieve this goal, a concept was developed that regionalises the hourly weather data on a daily basis and subsequently uses these data as input parameters for predicting the pathogen-specific behaviour. Besides, the modelling concept uses supervised machine learning techniques to generate models based on these aggregated weather data, regionalised climate data and manually collected infestation data. The following learning methods are used to predict the occurrence of infestation spatially: k-Nearest Neighbor, Decision Trees, Boosted Decision Trees and Random Forests. The concept was examined iteratively using various evaluation methods, and thus the pathogen-specific performance of the models was tested concerning the prediction of the probability of infestation. achieved lower overall accuracy, especially in the prediction of powdery mildew, but it achieved the highest sensitivity in each test. The Decision Tree approaches were most often able to achieve the highest values for the statistical measures such as accuracy, specificity, precision and ROC AUC, but at the expense of the sensitivity of the models produced. In the process, the difference in overall accuracy between the approaches used to predict brown rust infestations was smaller and these events were always more accurately predicted than yield-endangering powdery mildew events.
Weizen ist eines der bedeutendsten Getreide der Welt. Phytopathogene wie der Echte Mehltau oder der Braunrost können den Weizenertrag deutlich reduzieren. Durch Behandlung mit Fungiziden können Befälle mit diesen Erregern eingedämmt werden. Von entsprechender Bedeutung ist es, bevorstehende gefährliche Befallsereignisse vorherzusagen, um auf diese reagieren zu können. Um festzulegen, welche Befallsereignisse als ertragsrelevant zu klassifizieren sind, verwendet diese Arbeit das Schadschwellenkonzept nach Klink1997. Entsprechend dieses Konzeptes, gehen von mehr als 70 % mit dem Echten Mehltau oder von mehr als 30 % mit dem Braunrost befallenen Pflanzen eines Bestandes eine Gefährdung des Weizenertrages aus, welche mit Fungiziden abgewandt werden sollte. Das Hauptziel dieser Arbeit ist die flächenhafte Vorhersage der Wahrscheinlichkeit einer überschreitung dieser Schadschwelle. Um dieses Ziel zu erreichen, wurde ein Konzept entwickelt, welches die stündlichen Wetterdaten tagesaktuell interpoliert und diese mit dem erregerspezifischen Verhalten in Beziehung setzt. Darüber hinaus verwendet das Konzept überwachte maschinelle Lernverfahren, um Modelle zu generieren, die auf diesen oben genannten Wetterdaten, den regionalisierten langfristigen Klimadaten und manuell erfassten Befallsdaten basieren. Zur räumlichen Vorhersage der Befallsereignisse werden dabei folgende Lernverfahren eingesetzt: k-Nearest Neighbor, Decision Trees, Boosted Decision Trees und Random Forests. Das Konzept wurde unter Verwendung verschiedener Evaluierungsverfahren iterativ überprüft und somit die erregerspezifische Performanz der Modelle hinsichtlich der Vorhersage der Befallswahrscheinlichkeit getestet. Diese erstmalig mit dieser Arbeit vorgestellte Kombination aus Interpolations- und maschineller Lernverfahren zur Vorhersage dieser Erreger erwies sich als erfolgreich, wie die Genauigkeiten zwischen 61 % und 84 % für den Echten Mehltau und zwischen 72 % und 84 % für den Braunrost belegen. Dies zeigen auch als Gütemaß für die erfolgreich vorhergesagten Überschreitungen die Werte der „Receiver Operating Characteristic Area Under the Curve (ROC AUC)“ zwischen 0,64 und 0,86 (Echter Mehltau) und zwischen 0,67 und 0,91 (Braunrost). Allerdings ergeben sich im Vergleich der verwendeten maschinellen Lernverfahren deutliche Unterschiede. So erwies sich das k-Nearest Neighbor Verfahren in dem hier untersuchten Kontext als am wenigsten vielversprechend. Das Random Forest Verfahren erzielte zwar bei der Vorhersage der Wahrscheinlichkeit eines ertragsgefährdenden Ereignisses durch den Echten Mehltau eine geringere Gesamtgenauigkeit, aber dafür erzielte das Verfahren bei jedem Test die höchste Sensitivität. Die Decision Tree Ansätze konnten bei den verwendeten statistischen Kennzahlen Genauigkeit, Spezifizität, Präzision und ROC AUC zwar am häufigsten die höchsten Werte erreichen, dies allerdings auf Kosten der Sensitivität der erzeugten Modelle. Dabei war die Differenz in der Gesamtgenauigkeit zwischen den Verfahren bei der Vorhersage bevorstehender Braunrostereignisse geringer und die Vorhersage war immer genauer als die der ertragsgefährdenden Mehltauereignisse.
Preview
Rights
Use and reproduction:
No license. The provisions of the German Copyright Act (UrhG) apply.
Please note that individual components of the publication may be subject to other licensing or copyright conditions.