Modellierung des umweltbedingten Risikos für Frogeye-Leaf-Spot (Cercospora sojina) bei Sojabohnen in den Vereinigten Staaten

Warum diese Sojabohnenerkrankung wichtig ist

In den Vereinigten Staaten stehen Sojabauern vor einer stillen, aber kostspieligen Bedrohung: dem Frogeye-Leaf-Spot. Diese Blattkrankheit kann Erträge so weit verringern, dass knappe Gewinnmargen darunter leiden, und die Bekämpfung ist schwieriger geworden, da der auslösende Pilz gegen einige gängige Fungizide resistent geworden ist. Die hier beschriebene Studie wollte eine praktische Frage klären: Anhand alltäglicher Wetterdaten — wann ist die Krankheit am ehesten geneigt zuzunehmen, und wie kann dieses Wissen den Landwirten helfen, seltener, aber gezielter zu spritzen?

Wie sich ein Blattfleck durch ein Feld ausbreitet

Frogeye-Leaf-Spot wird von einem Pilz verursacht, der in Pflanzenresten und gelegentlich im Saatgut überdauert und junge Sojabohnenblätter infiziert. Zehn bis vierzehn Tage nach der Infektion erscheinen kleine wassergetränkte Flecken, die sich zu grauen Zentren mit rötlichen Rändern ausdehnen. Unter warmen und feuchten Bedingungen produziert der Pilz Sporen, die mit Regen und Wind zu benachbarten Pflanzen gelangen und neue Infektionszyklen auslösen. Diese wiederholten Zyklen können große Ertragsverluste verursachen; Ausbrüche in Amerika haben Landwirte Milliarden gekostet. Viele Sojasorten weisen keine starke Resistenz auf, sodass Produzenten stark auf Fungizide angewiesen sind, um die Krankheit einzudämmen.

Warum klügeres Spritzen nötig ist

Jahrelang wirkten Fungizide der Klasse QoI zuverlässig gegen Frogeye-Leaf-Spot. Im Laufe der Zeit hat sich der Pilz jedoch dagegen resistent entwickelt, und diese Produktgruppe versagt inzwischen oft in US-Feldern. Andere Fungizidgruppen sind noch wirksam, aber ihr Übergebrauch erhöht das Risiko, dass auch dort Resistenzen entstehen. Viele Behandlungen werden selbst bei geringem Krankheitsdruck als Versicherung gegen Ertragsverluste ausgebracht. Dieses Vorgehen erhöht Kosten, verstärkt den Selektionsdruck auf den Pilz und kann Zeit sowie Chemikalien verschwenden. Eine verlässliche Risikoabschätzung könnte Landwirten helfen, nur dann zu behandeln, wenn die Wahrscheinlichkeit eines Krankheitsanstiegs hoch ist — so bliebe die Wirksamkeit von Fungiziden erhalten und die Erträge geschützt.

Wetterlagen in Risiko übersetzen

Das Forschungsteam sammelte Beobachtungen von Frogeye-Leaf-Spot aus 279 Standort-Jahren von Soja-Versuchen in 20 US-Bundesstaaten sowie stündliche Wetterdaten für jeden Standort. Sie konzentrierten sich darauf, wie sich die Krankheitsschwere zwischen Feldkontrollen veränderte, und verbanden diese Veränderungen mit jüngsten Mustern von Temperatur, Luftfeuchte, Regen, Wind und Blattnässedauer. Anstatt nur tägliche Mittelwerte zu betrachten, berechneten sie gleitende Durchschnitte über Fenster von 5 bis 30 Tagen, um längere Perioden günstiger oder ungünstiger Bedingungen zu erfassen. Mit diesem großen Datensatz testeten sie zahlreiche statistische und maschinelle Lernmodelle, um herauszufinden, welche am besten vorhersagten, ob die Krankheit zwischen Untersuchungen zunehmen würde.

Luftfeuchte, Wärme und das beste Risikomodell

Unter Dutzenden von Wetterfaktoren hob sich eine lange tägliche Dauer mit hoher relativer Luftfeuchte als stärkster Treiber für Krankheitszunahme hervor, insbesondere in Kombination mit warmen Bedingungen. Das praktischste und nützlichste Modell beruhte auf nur zwei Kennzahlen: dem 30-Tage-Mittel der täglichen Stunden mit relativer Luftfeuchte von mindestens 80 Prozent und dem 30-Tage-Mittel der täglichen Maximaltemperatur. Das Risiko für Frogeye-Leaf-Spot blieb niedrig, wenn Felder weniger als etwa fünf Stunden pro Tag solche feuchte Luft aufwiesen, unabhängig von der Temperatur. Das Risiko stieg steil an, wenn die täglichen feuchten Stunden rund 15 bis 20 erreichten und die Maximaltemperaturen zwischen etwa 24 und 36 Grad Celsius lagen, mit einem Maximum, wenn sowohl Luftfeuchte als auch Wärme hoch waren. Komplexere Machine-Learning-Ansätze waren insgesamt etwas genauer, neigten jedoch dazu, das Risiko zu häufig anzuzeigen, was unnötige Spritzungen begünstigen könnte.

Vom Forschungsmodell zum Werkzeug für Landwirte

Weil das einfachere Zwei-Faktoren-Modell genau, leichter zu verstehen und rechnerisch schneller war, wählten die Autorinnen und Autoren es für ein öffentliches Online-Entscheidungsunterstützungssystem. Dieses Tool liefert nun Echtzeit-Risikokarten für Frogeye-Leaf-Spot in US-Sojaregionen und ermöglicht Produzenten und Beratern zu erkennen, wann die jüngsten Wetterverläufe einen Krankheitsaufbau begünstigen. Zwar enthält das Modell nicht jedes feldspezifische Detail, wie Sortenwahl oder Vorfruchtgeschichte, doch es bietet eine solide, witterungsbasierte Grundlage, um zu entscheiden, ob ein Fungizideinsatz wirklich nötig ist. Einfach gesagt zeigt die Studie, dass das Beobachten der Kombination aus Luftfeuchte und Wärme über den vorangegangenen Monat Sojabauern helfen kann, Behandlungen besser zu timen, aktuelle Fungizide zu schützen und Spritzungen zu vermeiden, wenn die Wahrscheinlichkeit eines Krankheitsanstiegs gering ist.

Zitation: González-Acuña, J.F., Allen, T.W., Bish, M.D. et al. Modeling the environment-related risk of frogeye leaf spot (Cercospora sojina) in soybean across the United States. Sci Rep 16, 16236 (2026). https://doi.org/10.1038/s41598-026-46975-z

Schlüsselwörter: frogeye leaf spot, sojabohnenkrankheit, Fungizideinsatz, Wetter-Risikomodell, Entscheidungsunterstützungstool