Die spezifische Rotfärbung bei einer Infektion mit AT oder PD tritt vom Spätsommer bis zum Herbst auf. Das Projekt läuft deshalb über vier Vegetationsperioden. Erste Ergebnisse liegen bislang für 2019 vor. Die Modellregion zur Etablierung der Fernerkennung von AT und PD ist die Pfalz, in der geeignete Anlagen ausgewählt und visuell auf AT- bzw. PD-Symptome bonitiert wurden. Der spezifische Nachweis eines Phytoplasmabefalls erfolgte mittels molekularem PCR Test. Die Ergebnisse zeigten eine sehr hohe Korrelation (90 %) von molekularem Nachweis mit einer vorzeitigen Rotfärbung befallener Apfelbäume. Diese Korrelation ist bei Birne geringer und soll in den Folgejahren näher untersucht werden. Die Rotlaubigkeit bei Apfel konnte auch experimentell mit Versuchspflanzen im Klimaschrank induziert werden. Hierbei spielen spezifische Temperaturschwankungen eine entscheidende Rolle.
Symptomatische und nicht-symptomatische Blätter von Freilandbäumen sowie Versuchspflanzen wurden unter kontrollierten Bedingungen im Labor hyperspektral analysiert. Hierzu wurden hochauflösende Spektralkameras (Hyspex VNIR 1600 und SWIR 320m-e) verwendet. Mit Hilfe von Methoden des maschinellen Lernens wurden diejenigen Wellenlängen identifiziert, in denen sich die spektrale Reflexion gesunder und kranker Blätter signifikant unterschied. Die Ergebnisse aus visueller Bonitur und molekularer Analyse dienten als Trainingsdaten für verschiedene statistische Modelle und neuronale Netze. Die so entwickelten Algorithmen ermöglichten eine erste spezifische Detektion von AT und PD. Auf Basis dieser Ergebnisse sollen im 2. Projektjahr Drohnenflüge mit Multi- oder Hyperspektralkameras durchgeführt werden, um eine erste Fernerkennung der Krankheiten zu erreichen.
Um größere Flächen effizient überwachen zu können, werden Satellitenbilder genutzt. In diesen müssen zunächst die Apfel- und Birnenanlagen identifiziert werden. Die Landnutzungsklassifizierung der Obst- und Weinanlagen im Testgebiet gelang mit einer Genauigkeit von 97 % in Satellitenbildern von PlanetScope mit Methoden des maschinellen Lernens. Auch konnten in einem Satellitenbild des WorldView-3 kranke von gesunden Bäumen unterschieden werden.