Inleiding

De hoofddoelstelling van dit IWT-project is het implementeren van leeralgoritmen voor de predictie van Fusarium en DON-gehaltes in wintertarwe. Hiervoor wordt uitgegaan van drie pijlers:

  • Exploratie van de Fusarium populatie op verschillende tijdstippen in het groeiseizoen.
  • Onderzoek van de verschillende variabelen die de Fusarium populatie en de mycotoxine productie mogelijks beïnvloeden: raskeuze, voorvrucht, fungicide toepassingen, populatiesamenstelling...
  • De realisatie en optimalisatie van regressiegebaseerde leeralgoritmen ter voorspelling van Fusarium en DON-gehaltes in wintertarwe.

Het probleem van aarfusarium is zeer complex, multi-facettair en daardoor niet eenvoudig te beheersen:

Ten eerste veroorzaakt een Fusarium infectie opbrengst- en kwaliteitsverliezen in de graansector.
Ten tweede bevatten geïnfecteerde granen significante niveaus mycotoxines.
Ten derde is een uitbraak van Fusarium, en bijgevolg ook een adequate bestrijding zeer moeilijk te voorspellen want deze is afhankelijk van extrinsieke factoren als gewasrotatie, bodembewerking, weersomstandigheden, onkruidbestrijding, fungicidenbehandeling, bodemtype,... Aantastingen kunnen bovendien zeer sterk verschillen tussen teeltjaren en daarom is het opstellen van een predictiesysteem gebaseerd op klassieke modellen niet eenvoudig. Immers, de multivariabiliteit van het Fusarium- en mycotoxineprobleem samen met de correlatie die bestaat tussen de verschillende variabelen is nefast voor courant gebruikte logistische regressiemodellen.
Tenslotte is er geen absolute resistentie tegen Fusarium en is er niet altijd een goede relatie tussen resistentie en mycotoxine niveau. De meeste commerciële rassen zijn vrij gevoelig en de partiële resistentie is bepaald door quantitative trait loci (QTL) en dus naar veredeling toe moeilijk te realiseren.

symptomena symptomena symptomena symptomena symptomena symptomena symptomena
symptomena symptomena symptomena symptomena symptomena symptomena symptomena symptomena