”Smart Horticulture: Application of sensors and modelling to predict fruit growth, quality and storage behaviour of ‘Braeburn’ apples”
- Physiological storage disorders cause significant economic losses in a number of commercially important pome fruit varieties worldwide. Under the same storage conditions with the same cultivar, the incidence and frequency of disorders may vary in different years in a manner that must be explained by an interaction of pre-harvest and post-harvest factors. Major factors known to influence disorder incidence include annual weather pattern, management in the orchard, such as leaf-fruit ratio,Physiological storage disorders cause significant economic losses in a number of commercially important pome fruit varieties worldwide. Under the same storage conditions with the same cultivar, the incidence and frequency of disorders may vary in different years in a manner that must be explained by an interaction of pre-harvest and post-harvest factors. Major factors known to influence disorder incidence include annual weather pattern, management in the orchard, such as leaf-fruit ratio, calcium content of the fruit, harvest date and storage conditions. So far, the occurrence of the disorders cannot be predicted with certainty, and thus to adapt the management in the orchard or in the storage facility accordingly. Analysis of large amounts of data using Artificial Intelligence (AI) offers new opportunities to link large data sets into a meaningful context. The aim of the present work is the small-scale and non-destructive monitoring of fruit development in orchards under the above mentioned management practices. AI prediction models were created for the cultivar 'Braeburn'. 'Braeburn' is most susceptible to physiological storage disorders which cause browning in the fruit tissue below the skin. With tent-like constructions over the fruit trees, in which the temperature was controlled during two fruit physiologically important periods (petal drop to T-stage, three weeks before harvest), the temperature influence on disorder incidence was investigated. To the best of our knowledge, this was the first time that different temperature profiles could be generated in the orchard for mature 'Braeburn' trees. Thereby a positive influence on the reduction of internal browning caused by warm night temperatures (>10°C) before harvest was observed. Overall, each trial year showed different occurrences of physiological disorders. Orchard management and weather conditions resulted in significantly different fruit growth patterns and optical non-destructive point spectroscopy. The bi-weekly spectroscopy measurements on the same fruit and subsequent use in Partial Least Square Regression (PLSR) models were tested for their informative value. Additionally, the future fruit state was predicted in models based on weather data. The statistical evaluation of three years of data showed that the number of destructive soluble solids content (SSC) samples required to be collected each year for the {PLSR} models with an acceptable error rate was 100. These samples in particular needed to include the range of low and high SSC values. An unbalanced laboratory error of 0.1-1.0 °Brix had no influence on the modeled SSC values. Compared to destructive SSC determination in the laboratory, SSC could be non-destructively determined with an average deviation of 0.5 °Brix. Field measurements after a rain event had no influence on visible spectral indices. However, orchard covers such as rain protection over the fruit trees led to lower water absorption values at 975 nm. The separation of data on a tree-sector level in this work was performed manually, but initial steps were taken to display fruit growth and spectroscopy data via GPS signal location within a map. The acquisition of small-scale data at the tree-sector level revealed significant differences for SSC, chlorophyll and anthocyanin indices as well as significant differences in the incidence of physiological disorders. In future research and modeling approaches the tree sector information should be taken into account, even if this is not yet feasible to implement in a completely automated system under the given circumstances. The prediction models for the development of physiological disorders (core browning, cavities) were able to predict with two years of data the development of the disorders in the storage and the fruit flesh firmness at harvest 90 % correctly. Further research using non-destructive fruit measurements in orchards and the influence of weather conditions will provide further insights into apple quality improvement.…
- Physiologische Lagerkrankheiten verursachen weltweit beträchtliche wirtschaftliche Verluste bei einer Reihe von kommerziell wichtigen Kernobstsorten. Bei gleichen Lagerungsbedingungen bei derselben Sorte kann das Auftreten und die Häufigkeit der Krankheiten in verschiedenen Jahren in einer Weise variieren, die durch eine Interaktion von Vorernte- und Nacherntefaktoren erklärt werden muss. Wesentliche bekannte Einflussgrößen sind Jahreswetterverlauf, Management in der Obstanlage, wie z.B.Physiologische Lagerkrankheiten verursachen weltweit beträchtliche wirtschaftliche Verluste bei einer Reihe von kommerziell wichtigen Kernobstsorten. Bei gleichen Lagerungsbedingungen bei derselben Sorte kann das Auftreten und die Häufigkeit der Krankheiten in verschiedenen Jahren in einer Weise variieren, die durch eine Interaktion von Vorernte- und Nacherntefaktoren erklärt werden muss. Wesentliche bekannte Einflussgrößen sind Jahreswetterverlauf, Management in der Obstanlage, wie z.B. Blatt-Frucht Verhältnis, Calciumgehalt in den Früchten 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 Künstlicher Intelligenz (KI) bieten neue Möglichkeiten unterschiedliche Datenarten und -sätze zu verknüpfen. Das Ziel der vorliegenden Arbeit ist die kleinräumig und nicht-destruktive Überwachung der Fruchtentwicklung in der Obstanlage mit den oben genannten Managementmaßnahmen. KI Prognosemodelle wurden für die Sorte 'Braeburn' erstellt. 'Braeburn' ist anfällig für physiologische Lagerkrankheiten, bei der im Fruchtfleisch oder unter der Schale Verbräunungen auftreten. Mit zeltartigen Umbauungen über den Obstbäumen wurde die Temperatur in zwei fruchtphysiologisch wichtigen Perioden (Blütenblattabfall bis T-Stadium, drei Wochen vor der Ernte) erhöht oder abgesenkt, um den Temperatureinfluss zu untersuchen. Unseres Wissens nach konnte dadurch zum ersten Mal in der Obstanlage über ausgewachsenen Bäumen unterschiedliche Temperaturverläufe erzeugt werden. Dabei wurde ein positiver Einfluss auf die Reduzierung von inneren Verbräunungen durch warme Nachttemperaturen (>10°C) vor der Ernte festgestellt. Insgesamt zeigte jedes Versuchsjahr unterschiedliche Ausprägungen der physiologischen Fruchterkrankungen. Managementmaßnahmen und Witterungsbedingungen führten zu signifikant unterschiedlichen Fruchtwachstumsverläufen und optischer nicht-destruktiver Punktspektroskopie. Die zweiwöchentlich wiederholten Spektroskopiemessungen an den gleichen markierten Früchten und deren Weiterverarbeitung in Partial Least Square Regression (PLSR) Modellen wurden einerseits auf ihre Genauigkeit überprüft und zusätzlich mit Modellen und Wetterdaten deren zukünftige Zustände vorhergesagt. Die statistische Auswertung der dreijährigen Daten zur nötigen Probenanzahl und Fehler bei der destruktiven Trockensubstanz (TS) Analyse resultierte in Probenanzahlen von 100 Stück pro Jahr, die eine Bandbreite von niedrigen bis hohen TS Werten umfassen müssen. 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 führten dabei zu keiner Veränderung im sichtbaren Spektralbereich. Jedoch können Kulturabdeckungen wie z.B. Regenschutzfolien über den Obstbäume zu geringeren Wasserabsorptionswerten bei 975\,nm führen. Die Bereitststellung der Daten auf Baumsektor Ebene wurde in dieser Arbeit manuell durchgeführt. Jedoch wurden erste Schritte unternommen, um Fruchtwachstums- und Spektroskopiedaten per GPS Signal innerhalb einer Karte darzustellen. Die kleinräumige Datenaufnahme auf Baumsektor Ebene ergaben für TS, Chlorophyll und Anthocyan Indexberechnungen, sowie auch für physiologische Krankheiten deutliche Unterschiede. Bei zukünftigen Forschungsarbeiten und Entscheidungsmodellierungen sollte dies berücksichtigt werden, auch wenn dies unter den gegebenen Umständen noch nicht voll-automatisiert umsetzbar ist. Das Prognosemodell zur Entstehung von physiologischen Krankheiten (Kernhausbräune, Kavernen) konnte mit zweijährigen Daten die Entstehung der Lagerkrankheiten nach der Auslagerung und die Fruchtfleischfestigkeit zur Ernte in 90 % der Fälle richtig vorhersagen. Somit konnte gezeigt werden, dass eine kleinräumige 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 Qualitätsverbesserung von Äpfeln ermöglichen.…
Author: | Konni Biegert |
---|---|
URN: | urn:nbn:de:hebis:2083-710 |
Publisher: | Hochschule Geisenheim |
Place of publication: | Geisenheim |
Referee: | Peter Braun |
Advisor: | Christian Zörb, Luigi Manfrini |
Document Type: | Doctoral Thesis |
Language: | English |
Year of Completion: | 2023 |
Publishing Institution: | Hochschule Geisenheim University |
Granting Institution: | Hochschule Geisenheim University |
Date of final exam: | 2023/03/30 |
Release Date: | 2023/05/12 |
Tag: | Black box; Physiological storage disorders; VIS/NIR spectrometer |
Volume: | 2023 |
Edition: | 1. Auflage |
Page Number: | 151 |
Note: | This thesis was accepted by Hochschule Geisenheim University as a dissertation for the award of the doctoral degree of Doktor der Agrarwissenschaften - doctor scientiarum agriculturae (Dr. sc. agr.). The reviewer of the academic degree is based on the institutional assignment of the second examiner, who is a member of the Faculty of Agricultural Sciences of University of Hohenheim. |
Institutes: | Obstbau |
Dewey Decimal Classification: | 6 Technik, Medizin, angewandte Wissenschaften / 63 Landwirtschaft |
Licence (German): | Keine Nutzungslizenz vergeben - es gilt das deutsche Urheberrecht |