@phdthesis{Biegert2023, author = {Biegert, Konni}, title = {"Smart Horticulture: Application of sensors and modelling to predict fruit growth, quality and storage behaviour of 'Braeburn' apples"}, volume = {2023}, edition = {1. Auflage}, publisher = {Hochschule Geisenheim}, address = {Geisenheim}, url = {http://nbn-resolving.de/urn:nbn:de:hebis:2083-710}, school = {Hochschule Geisenheim University}, pages = {151}, year = {2023}, abstract = {Physiologische Lagerkrankheiten verursachen weltweit betr{\"a}chtliche wirtschaftliche Verluste bei einer Reihe von kommerziell wichtigen Kernobstsorten. Bei gleichen Lagerungsbedingungen bei derselben Sorte kann das Auftreten und die H{\"a}ufigkeit der Krankheiten in verschiedenen Jahren in einer Weise variieren, die durch eine Interaktion von Vorernte- und Nacherntefaktoren erkl{\"a}rt werden muss. Wesentliche bekannte Einflussgr{\"o}ßen sind Jahreswetterverlauf, Management in der Obstanlage, wie z.B. Blatt-Frucht Verh{\"a}ltnis, Calciumgehalt in den Fr{\"u}chten sowie Erntetermin und Lagerungsbedingungen. Bislang kann das Auftreten der Krankheiten jedoch nicht sicher vorhergesagt werden, um dadurch das Management in der Obstanlage oder im Lager entsprechend anzupassen. Analysen großer Datenmengen mithilfe K{\"u}nstlicher Intelligenz (KI) bieten neue M{\"o}glichkeiten unterschiedliche Datenarten und -s{\"a}tze zu verkn{\"u}pfen. Das Ziel der vorliegenden Arbeit ist die kleinr{\"a}umig und nicht-destruktive {\"U}berwachung der Fruchtentwicklung in der Obstanlage mit den oben genannten Managementmaßnahmen. KI Prognosemodelle wurden f{\"u}r die Sorte 'Braeburn' erstellt. 'Braeburn' ist anf{\"a}llig f{\"u}r physiologische Lagerkrankheiten, bei der im Fruchtfleisch oder unter der Schale Verbr{\"a}unungen auftreten. Mit zeltartigen Umbauungen {\"u}ber den Obstb{\"a}umen wurde die Temperatur in zwei fruchtphysiologisch wichtigen Perioden (Bl{\"u}tenblattabfall bis T-Stadium, drei Wochen vor der Ernte) erh{\"o}ht oder abgesenkt, um den Temperatureinfluss zu untersuchen. Unseres Wissens nach konnte dadurch zum ersten Mal in der Obstanlage {\"u}ber ausgewachsenen B{\"a}umen unterschiedliche Temperaturverl{\"a}ufe erzeugt werden. Dabei wurde ein positiver Einfluss auf die Reduzierung von inneren Verbr{\"a}unungen durch warme Nachttemperaturen (>10°C) vor der Ernte festgestellt. Insgesamt zeigte jedes Versuchsjahr unterschiedliche Auspr{\"a}gungen der physiologischen Fruchterkrankungen. Managementmaßnahmen und Witterungsbedingungen f{\"u}hrten zu signifikant unterschiedlichen Fruchtwachstumsverl{\"a}ufen und optischer nicht-destruktiver Punktspektroskopie. Die zweiw{\"o}chentlich wiederholten Spektroskopiemessungen an den gleichen markierten Fr{\"u}chten und deren Weiterverarbeitung in Partial Least Square Regression (PLSR) Modellen wurden einerseits auf ihre Genauigkeit {\"u}berpr{\"u}ft und zus{\"a}tzlich mit Modellen und Wetterdaten deren zuk{\"u}nftige Zust{\"a}nde vorhergesagt. Die statistische Auswertung der dreij{\"a}hrigen Daten zur n{\"o}tigen Probenanzahl und Fehler bei der destruktiven Trockensubstanz (TS) Analyse resultierte in Probenanzahlen von 100 St{\"u}ck pro Jahr, die eine Bandbreite von niedrigen bis hohen TS Werten umfassen m{\"u}ssen. Ein unbalancierter Laborfehler von 0.1-1 °Brix hat keinen Einfluss auf die modellierten TS Werte. Im Vergleich zur destruktiven TS Bestimmung im Labor konnte die Spektroskopie die TS im Mittel mit einer Abweichung von 0.5 °Brix bestimmen. Spektralmessungen in der Obstanlage nach einem Regenereignis f{\"u}hrten dabei zu keiner Ver{\"a}nderung im sichtbaren Spektralbereich. Jedoch k{\"o}nnen Kulturabdeckungen wie z.B. Regenschutzfolien {\"u}ber den Obstb{\"a}ume zu geringeren Wasserabsorptionswerten bei 975\,nm f{\"u}hren. Die Bereitststellung der Daten auf Baumsektor Ebene wurde in dieser Arbeit manuell durchgef{\"u}hrt. Jedoch wurden erste Schritte unternommen, um Fruchtwachstums- und Spektroskopiedaten per GPS Signal innerhalb einer Karte darzustellen. Die kleinr{\"a}umige Datenaufnahme auf Baumsektor Ebene ergaben f{\"u}r TS, Chlorophyll und Anthocyan Indexberechnungen, sowie auch f{\"u}r physiologische Krankheiten deutliche Unterschiede. Bei zuk{\"u}nftigen Forschungsarbeiten und Entscheidungsmodellierungen sollte dies ber{\"u}cksichtigt werden, auch wenn dies unter den gegebenen Umst{\"a}nden noch nicht voll-automatisiert umsetzbar ist. Das Prognosemodell zur Entstehung von physiologischen Krankheiten (Kernhausbr{\"a}une, Kavernen) konnte mit zweij{\"a}hrigen Daten die Entstehung der Lagerkrankheiten nach der Auslagerung und die Fruchtfleischfestigkeit zur Ernte in 90 \% der F{\"a}lle richtig vorhersagen. Somit konnte gezeigt werden, dass eine kleinr{\"a}umige Datenerhebung auf Baumsektor Ebene zur Prognose von physiologischen Lagerkrankheiten mithilfe KI Modellierungen angewendet werden kann. Weitere Forschungsarbeiten mit nicht-destruktiven Fruchtmessungen in der Obstanlage und dem Einfluss von Wetterbedingungen werden weitere Einblicke zur Qualit{\"a}tsverbesserung von {\"A}pfeln erm{\"o}glichen.}, language = {en} }