Het modelleren van milieugerelateerd risico op frogeye leaf spot (Cercospora sojina) bij soja in de Verenigde Staten

Waarom deze sojazaeekte ertoe doet

In de Verenigde Staten hebben sojabonenboeren te maken met een stille maar kostbare dreiging: frogeye leaf spot. Deze bladaandoening kan de opbrengst zodanig verminderen dat de al krappe winstmarges worden aangetast, en de ziekte is moeilijker te bestrijden geworden nu de schimmel ertegen resistentie ontwikkelt tegen sommige gangbare fungiciden. De hier beschreven studie wilde een praktische vraag beantwoorden: op basis van alledaags weer, wanneer zal deze ziekte waarschijnlijk verergeren, en hoe kan die kennis boeren helpen minder vaak maar effectiever te spuiten?

Hoe een bladvlek zich door velden verspreidt

Frogeye leaf spot wordt veroorzaakt door een schimmel die overwintert in gewasresten en soms in zaad, en vervolgens jonge sojabladeren infecteert. Kleine waterverzadigde vlekken verschijnen 10 tot 14 dagen na infectie en groeien uit tot grijze centra met roodachtige randen. Onder warme en vochtige omstandigheden produceert de schimmel sporen die met regen en wind naar nabijgelegen planten worden gedragen, waardoor nieuwe infectiecycli starten. Deze herhaalde cycli kunnen grote opbrengstverliezen veroorzaken, en uitbraken in Amerika hebben boeren miljarden dollars gekost. Veel soja‑variëteiten hebben geen sterke weerstand, dus teleners zijn sterk afhankelijk van fungiciden om deze ziekte onder controle te houden.

Waarom slimmer spuiten nodig is

Jarenlang werkten een populaire klasse fungiciden, de zogenoemde QoI’s, goed tegen frogeye leaf spot. Na verloop van tijd ontwikkelde de schimmel echter resistentie, waardoor deze productgroep nu vaak faalt in Amerikaanse velden. Andere fungicidegroepen werken nog wel, maar het overmatig gebruik ervan vergroot het risico dat ook daar resistentie ontstaat. Veel sproeibeurten worden toegepast zelfs wanneer de ziekte‑druk laag is, hoofdzakelijk als verzekeringsmaatregel voor de opbrengst. Die praktijk verhoogt de kosten, vergroot de selectiedruk op de schimmel en kan tijd en chemie verspillen. Een betrouwbare risicovoorspelling zou boeren kunnen helpen alleen te behandelen wanneer de kans op ziekteverergering hoog is, waardoor de bruikbaarheid van fungiciden behouden blijft en de opbrengst beschermd wordt.

Weerpatronen vertalen naar risico

Het onderzoeksteam verzamelde observaties van frogeye leaf spot uit 279 locatie‑jaren aan sojaproeven verspreid over 20 Amerikaanse staten, samen met gedetailleerde uurlijkse weergegevens voor elk punt. Ze concentreerden zich op hoe de ziektestaat veranderde tussen veldcontroles en koppelden die veranderingen aan recente patronen van temperatuur, luchtvochtigheid, neerslag, wind en bladnatheid. In plaats van alleen naar daggemiddelden te kijken, berekenden ze voortschrijdende gemiddelden over vensters van 5 tot 30 dagen om langere periodes van gunstige of ongunstige condities vast te leggen. Met deze grote dataset testten ze vele statistische en machine learning‑modellen om te bepalen welke het beste voorspelde of de ziekte tussen bezoeken zou toenemen.

Vochtigheid, warmte en het beste risicomodel

Onder tientallen weersfactoren stak langdurige periodes met hoge relatieve vochtigheid per dag uit als de sterkste aanjager van ziektevermeerdering, vooral in combinatie met warme omstandigheden. Het meest bruikbare en praktische model baseerde zich op slechts twee getallen: het 30‑daags gemiddelde van het aantal uren per dag met relatieve vochtigheid van ten minste 80 procent, en het 30‑daags gemiddelde van de dagelijkse maximumtemperatuur. Het risico op frogeye leaf spot bleef laag wanneer velden minder dan ongeveer vijf uur per dag zulke vochtige lucht hadden, ongeacht de temperatuur. Het risico steeg sterk wanneer het aantal vochtige uren per dag ongeveer 15 tot 20 bereikte en de maximumbedrijfstemperaturen tussen ongeveer 24 en 36 graden Celsius lagen, met een piek wanneer zowel vochtigheid als warmte hoog waren. Complexere machine learning‑benaderingen waren overall iets nauwkeuriger maar hadden de neiging te vaak ziekte‑risico aan te geven, wat onnodig spuiten zou kunnen aanmoedigen.

Van onderzoeksmodel naar hulpmiddel voor boeren

Aangezien het eenvoudigere tweefactor‑model accuraat, gemakkelijker te begrijpen en sneller te berekenen was, kozen de auteurs ervoor dit model te gebruiken in een openbaar online beslissingsondersteunend systeem. Deze tool biedt nu realtime risicokaarten voor frogeye leaf spot in Amerikaanse sojaregio’s, zodat telers en adviseurs kunnen zien wanneer recente weerpatronen ziekteopbouw bevorderen. Hoewel het model niet elk veldspecifiek detail omvat, zoals variëteitskeuze of eerdere teeltgeschiedenis, biedt het een degelijke weergebaseerde basis om te beslissen of een fungicidesproeiing echt nodig is. In eenvoudige bewoordingen laat de studie zien dat het volgen van de combinatie van vochtigheid en warmte over de voorgaande maand sojatelers kan helpen behandelingen beter te timen, huidige fungiciden te beschermen en spuiten te vermijden wanneer de kans op ziektevermeerdering laag is.

Bronvermelding: 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

Trefwoorden: frogeye leaf spot, sojazaeekte, gebruik van fungiciden, weerrisicomodel, beslisondersteuningstool