Forscher der Texas A&M AgriLife haben bewiesen, dass künstliche Intelligenz die Vorhersage von Schädlingsbefällen bei Nutzpflanzen deutlich genauer als herkömmliche Methoden ermöglicht. Die Studie, veröffentlicht im Fachjournal „Ecological Informatics", zeigt, dass Machine-Learning-Modelle Populationen der Westlichen Blumenthripse mit einer Genauigkeit von fast 88 % in Freifeldern und etwa 85 % in Gewächshäusern prognostizieren können. Diese Technologie bietet Landwirten entscheidende Vorteile, indem sie frühzeitige Warnungen liefert, bevor Schäden entstehen. Die Forschung wurde von Dr. Kiran Gadhave geleitet, einem Entomologen an der High Plains Research and Extension Station in Canyon, gemeinsam mit den Wissenschaftlern Dr. Arinder Arora und Dr. Nolan Anderson. Das Ziel war es, die Schädlingsbekämpfung von einer reaktiven Haltung, bei der erst nach sichtbaren Schäden gehandelt wird, zu einem prädiktiven Management zu wandeln. Bereits eine Woche frühere Vorhersage könnte laut Gadhave die Situation grundlegend verändern. Traditionelle Prognosemodelle basierten oft auf simplen Parametern wie Temperatur, Luftfeuchtigkeit und aktuellen Schädlingszahlen, was häufig zu ungenauen Einschätzungen führte. Das Team der Texas A&M University analysierte hingegen Daten von fast 1.700 gelben Klebefallen, die wöchentlich in Tomaten- und Paprikafeldern bei Bushland eingesetzt wurden. Diese Fangzahlen wurden mit bis zu 16 Umweltvariablen verknüpft, darunter Windgeschwindigkeit, Windrichtung, Niederschlag und die Größe der Elterngeneration aus den vorherigen zwei Wochen. Die Analyse ergab, dass das Modell besonders von der Größe der Elterngeneration profitiert. Ist eine Population bereits zwei Wochen zuvor vorhanden, steigt das Risiko eines schweren Befalls erheblich. Temperatur und Wind spielen ebenfalls eine wichtige Rolle bei der Ausbreitung der Insekten, die als Überträger gefährlicher Viren gelten und erhebliche Ernteverluste verursachen können. Ein zentrales Ergebnis der Studie war die Erkenntnis, dass Mikroklimate die Dynamik von Schädlingen grundlegend prägen. Modelle, die Daten sowohl aus Freiland- als auch aus Gewächshausbereichen an ein und derselben Lokalität kombinierten, zeigten eine stark sinkende Genauigkeit. Dies verdeutlicht, dass selbst benachbarte Felder unterschiedliche Ökosysteme darstellen und separat betrachtet werden müssen, um präzise Vorhersagen zu treffen. Gadhave betont, dass KI-gestützte Werkzeuge für die Landwirtschaft keine Zukunftsmusik mehr sind, sondern bereits heute eingesetzt werden können. Durch die Fähigkeit, viele biologische und Umweltvariablen gleichzeitig zu analysieren, erkennen die Modelle Muster, die menschlichen Forschern verborgen bleiben. Die Ergebnisse deuten darauf hin, dass diese Technologie auf verschiedene Kulturen, Schädlingsarten und regionale Bedingungen übertragbar ist. Die Entwicklung solcher prädiktiver Tools könnte die Überwachung und den Pflanzenschutz weltweit revolutionieren. Texas A&M AgriLife positioniert sich damit an der Spitze der Anwendung neuer Technologien im Agrarsektor, um Landwirten direkt vor Ort zu helfen und Ernteverluste durch frühzeitiges Eingreifen zu minimieren. Die Studie unterstreicht den praktischen Nutzen von KI-Modellen, um die Landwirtschaft widerstandsfähiger gegen Schädlinge zu machen.