EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Prediction of late blight severity in a large panel of potato genotypes using low-altitude aerial images and machine learning methods

Vorhersage der Spätfäule-Schwere in einem großen Panel von Kartoffel-Genotypen mithilfe von UAV-Bildern aus niedriger Höhe und Machine-Learning-Methoden

Hildo Loayza iD, Johan Ninanya iD, Susan Palacios, Luis Silva iD, Fernando Pujaico Rivera iD, Javier Rinza iD, Manuel Gastelo, Mariela Aponte, Jan F Kreuze iD, Hannele Lindqvist-Kreuze, Bettina Heider, Moctar Kante und 1 weitere

PLOS One · 03.11.2026 · 21 (11) · e0347446

DOI: 10.1371/journal.pone.0347446 ↗

Auf einen Blick

In zwei großen Kartoffelversuchen in Peru wurde die Spätfäule-Schwere auf Genotyp-Ebene mit UAV-Bildern und Machine Learning geschätzt. Multispektrale Modelle waren den linearen NDVI-Modellen überlegen.

Fragestellung

Wie gut lässt sich die Spätfäule-Schwere bei Kartoffel-Genotypen mit UAV-Bildern aus niedriger Höhe und Machine Learning vorhersagen?

Methode

Vergleich von Vegetationsindex-basierten Ansätzen mit einem ML-Framework aus K-means-Clustering und Kernel Ridge Regression in 2 großen Kartoffelversuchen in Peru.

Ergebnisse

Untersucht wurden 2.745 breeding clones und 492 genebank accessions. NDVI korrelierte stark mit visuell bewerteter Spätfäule, besonders in fortgeschrittenen Stadien. Das multispektrale KRR-Modell schnitt besser ab als lineare NDVI-Modelle.

Schlussfolgerung der Autor:innen

UAV-basierte multispektrale Phänotypisierung mit ML bietet laut Autor:innen eine praktische und skalierbare Alternative zu zeitaufwendigen visuellen Bewertungen in Kartoffelzüchtungsprogrammen.

Kernaussagen

  • NDVI korrelierte stark mit visueller Spätfäule, vor allem in späten Stadien
  • Das multispektrale KRR-Modell war den linearen NDVI-Modellen überlegen
  • Eine einzelne UAV-Aufnahme in mittleren bis späten Stadien erfasste genug Variation zur Genotypunterscheidung

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift PLOS One, online erschienen am 03.11.2026. Verfasst von Hildo Loayza und 12 weiteren Autor:innen. Beteiligte Einrichtung: International Potato Center (CIP), Lima, Peru. Hauptthemen laut MEDLINE: Solanum tuberosum, Machine Learning, Plant Diseases. Die Arbeit nennt 77 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Bill & Melinda Gates Foundation, CGIAR Sustainable Farming Science Program, Breeding for Tomorrow Science Program.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Potato ( Solanum tuberosum L.) is a staple crop crucial to global food security, yet its production is severely threatened by late blight (LB), caused by Phytophthora infestans , one of the most destructive plant diseases worldwide. Breeding programs for LB resistance have traditionally relied on labor-intensive and subjective visual assessments, which limit scalability and consistency, particularly in early-generation trials. Unmanned aerial vehicle (UAV)-based remote sensing combined with machine learning (ML) offers a promising alternative for objective, high-throughput disease phenotyping. This study evaluated the potential of this technology to estimate LB severity at the genotype level across two large potato trials in Peru comprising 2,745 breeding clones and 492 genebank accessions. We compared vegetation index–based approaches with a ML framework that integrates K-means clustering and Kernel Ridge Regression (KRR). While NDVI correlated strongly with visually assessed LB severity, particularly at advanced stages, the multispectral KRR approach outperformed linear NDVI models by capturing nonlinear relationships between spectral response and disease progression. Best linear unbiased estimates (BLUEs) of LB severity from both models were strongly and consistently related to the area under the disease progress curve (AUDPC), particularly in later UAV acquisitions. Selection coincidence with AUDPC-based rankings was substantially higher at intermediate to advanced stages of disease progression, indicating that a single UAV inspection at those stages captures enough phenotypic variation to distinguish genotypes. UAV-based multispectral phenotyping integrated with ML, therefore offers a practical, scalable alternative to the time-consuming visual assessments traditionally used in potato breeding programs.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Solanum tuberosumMachine LearningPlant DiseasesGenotypePhytophthora infestansAltitudePhenotypeRemote Sensing TechnologyPrediction AlgorithmsUnmanned Aerial DevicesPredictive Learning Models

Autor:innen und Institutionen

  • International Potato Center (CIP), Lima, Peru.
  • Universidad de Huánuco, Huánuco, Peru.
  • Pontificia Universidad Católica del Perú, Lima, Peru.
  • Programa Nacional de Investigación Científica y Estudios Avanzados - Prociencia-Concytec, Lima, Peru.

ORCID-Profile: Hildo Loayza, Johan Ninanya, Luis Silva, Fernando Pujaico Rivera, Javier Rinza, Jan F Kreuze, David A Ramírez

Förderung

  • Bill & Melinda Gates Foundation
  • CGIAR Sustainable Farming Science Program
  • Breeding for Tomorrow Science Program
  • United States Agency for International Development
  • European Union Horizon 2020 programme

Zitieren

APA

Loayza, H., Ninanya, J., Palacios, S., Silva, L., Pujaico Rivera, F., Rinza, J., Gastelo, M., Aponte, M., Kreuze, J. F., Lindqvist-Kreuze, H., Heider, B., Kante, M., & Ramírez, D. A. (2026). Prediction of late blight severity in a large panel of potato genotypes using low-altitude aerial images and machine learning methods. PLOS One, 21(11), e0347446. https://doi.org/10.1371/journal.pone.0347446

Vancouver

Loayza H, Ninanya J, Palacios S, Silva L, Pujaico Rivera F, Rinza J, et al. Prediction of late blight severity in a large panel of potato genotypes using low-altitude aerial images and machine learning methods. PLOS One. 2026;21(11):e0347446. doi:10.1371/journal.pone.0347446

BibTeX
@article{Loayza2026,
  author = {Loayza, Hildo and Ninanya, Johan and Palacios, Susan and Silva, Luis and Pujaico Rivera, Fernando and Rinza, Javier and Gastelo, Manuel and Aponte, Mariela and Kreuze, Jan F and Lindqvist-Kreuze, Hannele and Heider, Bettina and Kante, Moctar and Ramírez, David A},
  title = {Prediction of late blight severity in a large panel of potato genotypes using low-altitude aerial images and machine learning methods},
  journal = {PLOS One},
  year = {2026},
  volume = {21},
  number = {11},
  pages = {e0347446},
  doi = {10.1371/journal.pone.0347446}
}
Kostenlos starten →