Modelling and Predicting Diseases and Pests Impacts on Crop Production under Climate Change in Nigeria: Combining Remote Sensing and Agro-Ecosystem Modelling

Studien, dass die Landwirtschaft in vielen Entwicklungsländern besonders anfällig für den Klimawandel ist, einschließlich seiner Auswirkungen auf bedeutsame Schädlinge und Krankheiten. Eine effektive Schädlings- und Krankheitsbekämpfung in der Landwirtschaft ist für eine nachhaltige Lebensmittelproduktion unerlässlich. Das Ziel dieser Arbeit ist daher die Kartierung von Anbaupflanzenarten und die Entwicklung von Ansätzen zur Nutzung von Fernerkundungsdaten und agro-systemischen Modellierungswerkzeugen zur Vorhersage von Schädlings- und Krankheitsausbrüchen Konkret habe ich die folgenden Ansätze entwickelt: (1) Kartierungsschemata auf der Grundlage frei verfügbarer Sentinel-2A/B Zeitreihendaten, um Monokulturen - Mais und Kartoffeln - sowie Mischkulturen in Kleinbauerregionen Nigerias darzustellen. Darüber hinaus demonstriere ich sein Potential, indem ich (i) die Feldgrößen entlang des Gradienten der Anbaupflanzenarten berücksichtige, (ii) eine Schätzung des Bioenergiepotenzials für Mono- und Mischkulturen erstellet, (iii) räumliche Ertragsschätzungen für Hauptkulturen generiere und (iv) lokale Bedingungen, die förderlich für Kartoffelkrankheiten sind, basierend auf ML-Wissen identifiziere. Als nächsten Schritt (2) präsentiere ich einen Ansatz, der auf fernerkundlichen Klima- und biophysikalischen Daten sowie agro-systemischen Modellen basiert, um die gleichzeitigen Auswirkungen der wichtigsten Schädlinge auf die Maiserträge, ihre räumlich-zeitlichen Muster und die engen Zeitfenster abzuschätzen, die für die Frühwarnung am nützlichsten sind. Diese Schlüsselergebnisse liefern neuartige Einblicke zur Entwicklung von Managementstrategien zur Bekämpfung von durch den Klimawandel hervorgerufenen Schädlingen und Krankheiten. Durch die Integration von Satelliten- und agro-systemischen Modellierungswerkzeugen kann gezeigt werden, wo, wann und wie Anpassungsprogramme fortgesetzt werden sollten. Studies emphasize that agriculture in many developing countries is highly vulnerable to climate change, including its impact on major pests and diseases. Effective crop pest and disease management are imperative for sustainable food production. The overarching goal of this thesis is to map crop types and develop approaches for utilizing remote sensing data and agro-system modelling tools to predict pest and disease outbreaks under climate change conditions. Specifically, I have developed approaches for: (1) Mapping schemes based on freely available Sentinel-2A/B time series data to map monocrops—maize and potato—and intercropping in smallholder regions of Nigeria. Furthermore, I demonstrate the capabilities of this map product by: (i) accounting for field sizes across the gradient of crop types, (ii) generating a bioenergy potential estimate map for mono and intercropped residues, (iii) producing spatial yield estimates for major crops and (iv) identifying local conditions conducive to potato diseases based on machine learning knowledge. Next, (2) I present an approach based on remotely sensed climate and biophysical data and agro-system modelling to estimate the simultaneous impact of major pests on maize yields, its spatiotemporal pattern, and the most useful narrow time windows for early warning. Findings provide novel insights to develop management strategies for climate change-induced pests and diseases through the integration of satellite and agro-system modelling tools, by directing where, when, and how adaptation programs should proceed.