Stress-Stopp

Als Folge von wiederholt trockenen Frühjahren bzw. Sommern verzeichnete der Winterrapsanbau in den vergangenen Jähren vielerorts schwere Ernteausfälle. Eine gezielte Züchtung zur Verbesserung der Ertragsstabilität unter Trockenstress ist jedoch aufgrund der geringen Heritabilität dieses Merkmalskomplexes äußerst schwierig und hängt sehr stark von einer hochwertigen Erfassung relevanter Zielmerkmale in großen Zuchtpopulationen ab. STRESS-STOPP verfolgt die Hypothese, dass eine extrem genaue Erfassung von bisher nicht berücksichtigten, trockenstressassoziierten "physiologischen Phänotypen" sowie damit zusammenhängenden Genotyp*Umwelt-Reaktionen in geeigneten Zuchtpopulationen, unter Einsatz maschineller Lernverfahren zur Mustererkennung in leistungsrelevanten Phänotyp-, Genotyp- und Umweltdaten, zu einer erhöhten Selektionsgenauigkeit für die Ertragssicherheit von Winterraps in Trockenstressumwelten führen kann.

Kern des Vorhabens sind verschiedene komplementäre, höchst innovative Infrastrukturen für die automatisierte Präzisionsphänotypisierung von Pflanzen in feldähnlichen, jedoch stark bis komplett kontrollierbaren Anbau- und Umweltbedingungen. Kombiniert werden diese hochauflösende physiologische Daten mit Spektraldaten von neuartigen Zuchtpopulationen in Feldversuchen unter diversen (inkl. Trockenstress-)Umwelten. Ziel ist die Entwicklung von Kalibrationen für eine durch Drohnen unterstützte Selektion von trockenstresstoleranten Elite- Rapszuchtlinien als Komponenten für neue, klimaangepasste Hybridsorten. Als Pilotprojekt soll das Vorhaben einen Proof-of-Concept liefern für den Einsatz der genomisch-phänomischen Selektion auf Basis des maschinellen Lernens für die Züchtung auf Ertragsstabilität im Zuge des Klimawandels. Im Mittelpunkt des Vorhabens stehen neuartige Winterrapszuchtlinien mit verbesserten Trockenstresstoleranzeigenschaften auf der Grundlage einer beschleunigten Frühentwicklung und eine verstärkten Feinwurzelbildung.