Forschung

Traubenwelke (BS) ist eine Zuckerakkumulationskrankheit der Rebe unbekannter Ursache, die sich sehr negativ auf die Traubenqualität auswirkt und ein unkalkulierbares Risiko für Ertragsverluste birgt und für die es keine zuverlässigen Bekämpfungsmethoden gibt. Die österreichische autochthone Rotweinsorte Blauer Zweigelt ist stark von BS betroffen, obwohl das Auftreten von BS-Symptomen sowie deren Intensität von Jahr zu Jahr variieren kann, was sie unvorhersehbar und schwer zu quantifizieren macht. Dies hat dazu geführt, dass Winzer den Anbau von Blauer Zweigelt vermieden haben, was zu einem Verlust an Typizität in der österreichischen Weinlandschaft geführt hat. Ziel des BAISIQ-Projekts ist daher die Entwicklung einer zuverlässigen und standardisierten Methode zur Schätzung des Auftretens von BS in Weinbergen und der daraus resultierenden Ertragsverluste. Zu diesem Zweck umfasst die BAISIQ-Partnerschaft Experten aus dem Bereich der Rebenbiologie, erklärbarer künstlicher Intelligenz (KI) und bildgestützter Ertragsquantifizierung auf der Nah- und Fernskala beschäftigen. Die interdisziplinäre Gruppe von Pflanzenphysiologen, Informatikern und Technikern wird Multisensortechnologien, Algorithmen des maschinellen Lernens und Fernerkundungsausrüstung einsetzen, um sowohl die wissenschaftlichen als auch die angewandten Ziele von BAISIQ zu erreichen. Letztendlich wollen wir Traubenwelke in Weinbergen quantifizieren, einen Dienst oder eine nutzbare Anwendung entwickeln und mit dem Aufbau einer BS-Datenbank beginnen. Dabei werden wir aktuelle Methoden des maschinellen Lernens zur Erkennung von Traubenclustern anpassen und weiter etablieren und dieses Wissen in eine Hochdurchsatz-Fernerkundungsanwendung umsetzen. Eine präsymptomatische BS-Diagnose wäre von großer Bedeutung und höchst innovativ, und das Wissen über den zu erwartenden Ertragsverlust würde es den Winzern ermöglichen, ihre Erntetermine, Kellerkapazitäten und angestrebten Weinstile anzupassen. Darüber hinaus könnte der innovative und bahnbrechende Ansatz, der in BAISIQ entwickelt wurde und der eine Kombination aus Multisensor-Phänotypisierung und KI mit maschinellem Lernen darstellt, auf andere relevante Merkmale im Weinbau angewandt werden.

Physiologische Reifestörungen bei Weinreben beeinträchtigen jedes Jahr den Ertrag und die Qualität der Beeren erheblich. Obwohl physiologische Reifungsstörungen im Weinbau von großer wirtschaftlicher Bedeutung sind, liegen nur wenige Informationen vor, und die Ursachen müssen noch ermittelt werden. Daher muss die Entstehung der Reifungsstörung Beerenschrumpfung weiter erforscht werden, einschließlich des Einflusses von Umweltfaktoren, der bisher noch nicht untersucht wurde. Das Projekt zielt darauf ab, potenziell zugrunde liegende Umweltfaktoren zu identifizieren, die das Auftreten von BS in Weinbergen beeinflussen, um mit einem multidisziplinären Ansatz BS-Risikofaktoren auf einer lokalen räumlichen Ebene zu entwickeln. Dabei gehen wir von der Hypothese aus, dass a) Umweltfaktoren zu einer höheren Wahrscheinlichkeit des Auftretens von BS führen könnten, b) wir diese Faktoren auf GIS-Karten skalieren, übersetzen und extrapolieren können und c) die Weinherstellung selbst einen gewissen Prozentsatz an BS-Trauben ohne negative Auswirkungen auf das Aromaprofil zulässt. Unser experimenteller Ansatz lässt sich in drei Arbeitspaketen (AP) zusammenfassen: 1) Entwicklung einer BS-Überwachungsmethode und Zusammenführung dieser Informationen in einer BS-Häufigkeitskarte in Verbindung mit räumlichen (Geologie, Boden und Weinbergsmanagement) und zeitlichen (Mikroklima, Klima) Informationen. 2) Wir werden die Auswirkungen von BS auf die Aromaprofile von Beeren und verarbeiteten Weinen untersuchen, um den Landwirten Empfehlungen zu geben, und gezielte Metaboliten auf einer phänologischen Zeitskala bestimmen, um die BS-Entwicklung zu verfolgen. 3) Schließlich wollen wir BS-Risikofaktoren auf einer räumlichen und zeitlichen Skala für die Weinberge unserer Studienregion extrahieren und die gewonnenen Informationen zusätzlich zu Dürrerisikokarten verarbeiten. Die verwendeten Methoden sind: GIS-Kartierung, Klimamodelle, Bodenanalysen, geologische Charakterisierung, Rebenphysiologie, gezielte Metaboliten und Aromastoffe. Unser Ansatz wird eine Wissenslücke über die physiologische Reifungsstörung Beerenschrumpfung schließen, indem wir zum ersten Mal eine räumliche Information über BS innerhalb einer Untersuchungsregion erstellen, die eine Reihe wichtiger Einflussfaktoren für die Reifung von Traubenbeeren umfasst. Dieser multidisziplinäre Ansatz ist ein Novum, um das Schrumpeln von Beeren mit dem Ziel zu untersuchen, die auslösenden Faktoren zu identifizieren.

Die Optimierung des Wassermanagements im Weinbau ist von großer Bedeutung für die Nachhaltigkeit. Da es sich um eine endliche Ressource handelt, darf Frischwasser für die Bewässerung nur dann verwendet werden, wenn es unbedingt erforderlich ist, und zwar in der richtigen Menge. Gegenwärtig werden die Bewässerungsmengen in Weinbergen auf der Grundlage theoretischer Wasserverbrauchsschätzungen berechnet, die ausschließlich auf klimatischen Parametern beruhen (z. B. Berechnung von Bruchteilen der Referenzverdunstung). Sehr oft wird der tatsächliche Wasserzustand der Pflanzen vernachlässigt, vor allem weil es schwierig ist, zuverlässige Messungen in repräsentativer Weise für einen Weinberg durchzuführen. Daher ist es für die Optimierung des Wassermanagements in den Kulturen von zentraler Bedeutung, einen guten Ersatz für den Wasserzustand der Pflanzen zu finden. Ansätze der künstlichen Intelligenz könnten ein Instrument zur Verbesserung unserer Vorhersagefähigkeiten darstellen. Künstliche Intelligenz und maschinelles Lernen erfordern jedoch eine große Menge an Daten, um die Arbeitsalgorithmen zu kalibrieren. Ziel des Projekts ist es, mögliche Eingaben bezüglich des Wasserverbrauchs und des Wasserzustands von Weinreben auf digitale und kontinuierliche Weise mit geeigneten Standardvalidierungsmessungen bereitzustellen, die in einem Algorithmus für maschinelles Lernen verwendet werden können, mit dem letztendlichen Ziel, eine künstliche Intelligenz zu trainieren, die in der Lage ist, zu entscheiden, wann und wie viel Weinreben bewässert werden sollen, während die Wasserressourcen optimiert werden.