Der Falsche Mehltau ist im Rebbau eine Pflanzenkrankheit mit sehr hohem Schadenspotential. Der Befall ist regional unterschiedlich und abhängig vom Mikroklima. Der wirtschaftliche Schaden bei Befall kann sehr gross sein. Zur Bekämpfung des Falschen Mehltaus müssen hohe Mengen an Pflanzenschutzmitteln (PSM) eingesetzt werden. Diese gilt es mit Blick auf die Umweltwirkungen und den vom Bund in Umsetzung der parlamentarischen Initiative 19.475 beschlossenen Absenkpfad zu reduzieren.
Für einen gezielten PSM Einsatz sind Prognosemodelle, die zuverlässig über bevorstehende Infektionsereignisse informieren, wichtige Hilfsmittel. Die Prognose des Befalls mit Falschem Mehltau ist sehr anspruchsvoll. Die bestehenden und erprobten Prognosemodelle sind mechanistische Modelle. In den letzten Jahren wurden in der Deutschschweiz auf einzelbetrieblicher Ebene Abweichungen von den vorhandenen Prognosen festgestellt. Gleichzeitig sind neue Methoden aus dem machine learning für die Praxisforschung nutzbarer geworden. Hier verspricht man sich für die Zukunft flexiblere Lösungen, die Veränderungen in der Umwelt (Klima, Einsatz PSM) in Echtzeit verarbeiten, in die Prognose integrieren und so betriebsspezifischere Vorhersagen ermöglichen. Anhand des ausgewählten Schadorganismus, Falscher Mehltau, wird der Einsatz von machine learning für die Prognose von Krankheiten im Rebbau getestet. Dies als Ergänzung zum bestehenden und umfassenden Tool von Agrometeo. Bei guten Prognoseerfolgen werden die Ergebnisse des neuen Modells in die Plattform von Agrometeo integriert.
