project - EIP-AGRI Operational Group

VITICAST – Innovative solutions for the prediction of fungal diseases in grapevine
VITICAST- Soluciones innovadoras para predicción de enfermedades fúngicas en vid

To download the project in a PDF format, please click on the print button and save the page as PDF
Completed | 2020 - 2022 Spain
Completed | 2020 - 2022 Spain
Currently showing page content in native language where available

Objectives

This innovation project seeks the implementation of innovative solutions for the prediction of fungal diseases in grapevines by establishing a tool for warning of potential infections that combines the climate parameters monitored in the vineyard along with the forecast of the initiation of the phenological stages of agronomic interest and the prediction by aerobiological and phytopathological techniques of the amount of inoculum necessary for infection.Besides the consideration of the infection risk levels which are intented to be determined, application of phytosanitary treatments are expected to be reduced, thus resulting in the wine quality improvement and the environment protection.

Objectives

Este proyecto busca implementar soluciones innovadoras para predicción de enfermedades fúngicas en vid, estableciendo una herramienta de aviso de posibles infecciones que combine la información que proporcionan los parámetros meteorológicos medidos a pie de parcela,la determinación del inicio de las fases fenológicas y la predicción mediante técnicas aerobiológicas y fitopatológicas de la cantidad de inóculo necesario para que se produzca la infección.De esta forma y atendiendo a unos umbrales de riesgo de infección que se pretenden determinar,se intentará reducir el número de tratamientos químicos fitosanitarios, que redundará en la calidad del vino y la protección del medio ambiente. 

Activities

1)Determine the beginning of different phenological phases in the selected DOs,depending on the grape variety, by means of field observation and pheno-climatic models;

2)Establish prediction models of the amount of fungal spores in the vineyard atmosphere and determine infection risk thresholds;

3)Develop specific algorithms with the meteorological data that allow identifying the potential moments for fungal attacks;

4)Establish in each DO a warning station for possible infections to optimize the integral and sustainable cultivation of the vine;

5)Optimize the number of phytosanitary treatments(reduction of production costs,increase in wine quality,better protection of environment).

Activities

1)Determinar el inicio de las fases fenológicas en las DOs seleccionadas mediante la observación en campo y modelos fenoclimáticos;

2)Establecer modelos de predicción de la cantidad de esporas fúngicas en la atmósfera del viñedo y determinar umbrales de riesgo de infección;

3)Desarrollar algoritmos específicos para cada DO con los datos meteorológicos registrados que permitan identificar los momentos propicios para los ataques de hongos;

4)Establecer en cada DO una estación de aviso de infecciones para optimizar el cultivo integral y sostenible;

5)Optimizar el número de tratamientos fitosanitarios(reducción costes de producción,aumento calidad del vino,mejor protección medio ambiente).

Additional information

FULL MEMBERSHIP
MAIN PARTNERTS: Monet Tecnología e Innovación SL, Viña Costeira Sociedad Cooperativa Galega, Bodegas Hacienda Monasterio SL, Fundación Empresa Universidad Gallega, Diputación de Pontevedra - Estación Fitopatolóxica de Areeiro, Universidad de Vigo, Bodega Matarromera SL
OTHER PARTNERS: Universidad de Santiago de Compostela,  Plataforma Tecnológica del Vino, Asociación de Colleiteiros Embotelladores do Ribeiro, Asociación Galega de Viticultura
 

Project details
Main funding source
Rural development 2014-2020 for Operational Groups
Rural Development Programme
2014ES06RDNP001 España - Programa Nacional de Desarrollo Rural
Location
Main geographical location
Pontevedra
Other geographical location
Valladolid, Ourense

EUR 615 249.00

Total budget

Total contributions from EAFRD, national co-financing, additional national financing and other financing.

Currently showing page content in native language where available

7 Practice Abstracts

R7 - Optimization of the number of chemical treatments in viticulture.

The optimization of the number of chemical plant protection treatments in viticulture has been achieved, resulting in reduced cultural management costs, improved wine quality, and environmental protection. For experimentation, each phytosanitary treatment was applied in the control plots, and a wide range of pesticides available in the market were quantified, confirming that the levels were below the legal limits.

The following results were obtained:

- The reduction in treatments in the two plots at Hacienda Monasterio using the VITICAST strategy was 60% for powdery mildew and 100% for downy mildew.

- The reduction in the number of treatments in the San Marcos plot using the VITICAST strategy was 53%.

R7 - Optimización del número de tratamientos químicos en viticultura.

Se ha conseguido optimizar el número de tratamientos químicos fitosanitarios en viticultura, lo cual redunda en la reducción de los costes de los manejos culturales, el aumento de la calidad del vino y la protección del medio ambiente. Para la experimentación se ha  aplicado cada tratamiento  fitosanitario en los recintos testigo y se ha cuantificado un amplio número de pesticidas existentes en el mercado y comprobado que los valores se encuentran por debajo de los límites legales. 

Se han obtenido los siguientes resultados:

- La reducción de tratamientos en las dos parcelas de Hacienda Monasterio utilizando la estrategia VITICAST ha sido de un 60% para el caso del oídio y de un 100% en el caso de mildiu.

- La reducción en el número de tratamientos en la parcela san Marcos utilizando la estrategia VITICAST es de un 53%.

R6 - Creation of a risk warning tool for infection that combines phenological, meteorological, and aerobiological data.

A tool was developed that allows for the visualization of disease risk through a web platform. The disease risk is recalculated every hour to provide the most up-to-date information.

For downy mildew, the process of calculating winter oospore maturation is initiated. Once oospore maturation is complete, the germination process begins, which will occur under specific conditions of temperature, ambient humidity, and/or rainfall. If germination is successful, sporangium dispersion will occur, triggering primary infection. Once the oospore is mature, the process of calculating primary infections and their associated incubation periods begins.

For powdery mildew, two distinct models are calculated. The first model consists of two stages: primary and secondary. The primary stage of powdery mildew takes into account infections caused by ascospores from the soil. The risk index calculated in this stage is independent of the risk index of previous days. In this stage, the evolution of temperature throughout the day is the key parameter for calculating the index value. The second model for powdery mildew focuses on protecting the grape cluster, weighing the risk of infection during moments when the cluster is most susceptible to the disease.

R6 - Creación de una herramienta de aviso de riesgo de infección que combine datos fenológicos, meteorológicos y aerobiológicos.

Se desarrolló una herramienta que permite la visualización del riesgo de enfermedad  a través de una plataforma web. El riesgo de enfermedad se recalcula cada hora con el objetivo de ofrecer la información más actualizada posible.

En el caso del mildiu se inicia el proceso de cálculo de maduración de oospora de invierno. Cuando se completa la maduración de la oospora se inicia el proceso de germinación, que se producirá bajo unas condiciones determinadas de temperatura, humedad ambiente y/o lluvia. Si la germinación llega a término se producirá la dispersión de los esporangios, que iniciará un proceso de infección primaria. Una vez que la oospora está madura se inicia el proceso de cálculo de infecciones primarias y sus incubaciones asociadas.

En el caso del oidio se calculan dos modelos diferenciados. El primero cuenta con dos etapas: primaria y secundaria. La etapa de oídio primario tiene en cuenta las infecciones producidas por ascosporas procedentes del suelo. El índice de riesgo calculado en esta etapa no presenta dependencia con el índice de riesgo de los días previos. En esta etapa la evolución de la temperatura a lo  largo del día es el parámetro fundamental para calcular el valor del índice. El segundo modelo para oídio está enfocado a la protección del racimo, ponderando el riesgo de infección en aquellos momentos en los que el racimo es más sensible a la enfermedad.

El modelo de botritis identifica los períodos de infección en función de la humedad foliar o relativa y la temperatura media y calcula el acumulado de condiciones favorables para la enfermedad para proporcionar información del riesgo.

R5 - Development and adaptation of algorithms for identifying favorable moments for infection based on meteorological data.

Using meteorological data collected during the 2021 campaign, real-time data is now available every 15 minutes, along with a historical dataset of meteorological data recorded every 15 minutes in the study plots since the installation and setup or adaptation of the weather stations. Additionally, there is a historical record of key parameters calculated from the meteorological data collected every 15 minutes in the study plots since the installation and setup or adaptation of the weather stations. The calculated parameters of interest include evapotranspiration, water balance, accumulated degree-days since January 1st, accumulated degree-days since bud break, chilling hours, and chilling hours above 0°C.

Using the available data, disease risk models have been adjusted for all the plots, and their calibration has been verified with field observations to develop a final disease risk calculation model for downy mildew, powdery mildew, and botrytis.

R5 - Desarrollo y adaptación de algoritmos de identificación de momentos propicios para infección basados en datos meteorológicos.

A partir de los datos meteorológicos recogidos en la campaña 2021 se dispone de datos meteorológicos en tiempo real cada 15 minutos y de un histórico de los datos meteorológicos recogidos cada 15 minutos en las parcelas bajo estudio desde el momento de la instalación y puesta en marcha o adaptación de las estaciones meteorológicas. También se dispone de un histórico de parámetros de interés calculados a partir de los datos meteorológicos recogidos cada 15 minutos en las parcelas bajo estudio desde el momento de la instalación y puesta en marcha o adaptación de las estaciones meteorológicas. Los parámetros de interés calculados son la evapotranspiración, el balance hídrico, los grados día acumulados desde el 1 de enero, los grados día acumulados desde brotación, las horas frío y las horas frío superiores a 0ºC.

Con los datos disponibles se ha realizado un ajuste de modelos de riesgo de enfermedad  para todas las parcelas y su ajuste se ha verificado con las observaciones en campo para obtener como resultado final modelo de cálculo de riesgo de enfermedad para mildiu, oídio y botritis.

R4 - Determination of spore concentration thresholds in the air against lesions and leaf spots observed a few days later.

It was found that Botrytis levels were generally much higher in 2021 compared to 2020, with a peak of 1556 spores on April 26th. The highest peak in 2020 occurred on May 4th, with 859 spores. Powdery mildew levels were generally higher in 2020, with the peak reaching 454 spores on May 25th. In 2021, the maximum peak for powdery mildew occurred on June 11th, with 286 spores, roughly half of the levels recorded in 2020.

As for downy mildew, spore levels were much higher in 2020, with a peak of 152 spores on June 4th. In 2021, the maximum value reached 99 spores on August 3rd. These spore peaks coincided with periods when the disease risk model indicated high infection risk, and plant protection treatments were applied to combat the disease.

Additionally, in Matarromera, a treatment with Cyclo M-Plus (Afrasa - Folpet 40% + Metalaxil 10% + Mefenosan 5%) was applied at 1 kg/ha for its protective, preventive, and systemic action. In the 2021 campaign, a marked decrease in plants showing symptoms of downy mildew was observed. The initial conclusion is that applying antimildew treatments as a preventive measure after harvest could be an effective strategy for controlling the fungus

R4 -  Obtención de umbrales de concentración de esporas en el aire frente a lesiones y manchas en hojas unos días después.

Se obtuvo que los niveles de botritis fueron, en general, mucho más elevados en 2021 que en 2020, con un pico el 26 de abril de 1556 esporas. El pico máximo en 2020 se produjo el 4 de mayo con 859 esporas. Los niveles de oídio fueron, en general, más elevados en 2020, año en el que se obtuvo un pico máximo de 454 esporas el 25 de mayo. En 2021 el pico máximo de oídio se obtuvo el 11 de junio, con 286 esporas, prácticamente la mitad de las 

obtenidas en 2020.

En cuanto al mildiu los niveles de esporas fueron mucho más elevados en 2020, con un pico de 152 esporas el día 4 de junio. En 2021 el valor máximo se obtuvo el 3 de agosto con 99 esporas. Los picos de esporas coincidieron con los momentos en los que el modelo proporcionó un riesgo de infección alto y se aplicaron tratamientos fitosanitarios para luchar contra la enfermedad.

Asimismo, en el caso de Matarromera se realizó una aplicación de Cyclo M-Plus - Afrasa - Folpet  40% + Metalaxil 10% + Mefenosan 5% - 1 kg/hc por su acción protectora, preventiva y sistémica. En la campaña del 2021 se ha observado un descenso acusado de plantas con síntomas de mildiu. La primera valoración es que la aplicación de antimildiu como método de prevención después de la vendimia puede constituir una estrategia eficiente en el control del hongo.

R3 - Development of a general spore prediction model for each phytopathogen.

The study conducted to develop the prediction model involved using leaf discs colonized by oospores, which were placed in mesh bags and buried slightly in the vineyard under natural field conditions. The results confirmed that the maturation occurred in the third week of March. However, due to the high number of germinated spores observed, it was considered that the germination may have occurred the week before. As in the previous year, the oospore maturation date was one of the earliest recorded since 1997 (when the EFA began applying this determination method), and even earlier when considering the germination in the previous week, as mentioned earlier.

A statistical model was developed to predict the spore concentration of each pathogen. These models allow the presence of the fungus in the vineyard to be detected before lesions appear on plants, with a prediction horizon ranging from 3 to 7 days depending on the phenological phase. To achieve this, a statistical study was conducted to identify the most influential parameters on the presence of spores in the atmosphere. The most statistically significant parameters were used as estimators for the models. The best performance was achieved for powdery mildew, with a success rate close to 97%.

R3 - Obtención de un modelo general de predicción de esporas para cada fitopatógeno. 

El estudio llevado a cabo para la obtención del modelo de predicción consistió en utilizar discos de hojas colonizadas por oosporas que se dispusieron en bolsas o sacos de red que se colocaron en las condiciones naturales de campo enterrados ligeramente en los viñedos. Los resultados obtenidos permitieron confirmar la maduración en la tercera semana de marzo, pero debido al elevado número de esporas germinadas que se pudieron observar se consideró que la germinación pudo tener lugar la semana anterior. Al igual que el año anterior, la fecha de maduración de la oospora ha sido una de las más tempranas registradas desde 1997 (cuando la EFA empezó a poner en práctica este método de determinación), y más si se considera la germinación en la semana anterior como se comentó anteriormente.

Se ha realizado un modelo estadístico para predecir la concentración de esporas de cada patógeno. Estos modelos permiten conocer la presencia del hongo en el viñedo antes de que se produzcan las lesiones en las plantas y con un horizonte de predicción de entre 3 a 7 días dependiendo de la fase fenológico. Para ello se realizó un estudio estadístico para conocer los parámetros que más influencia tienen en la presencia de esporas en la atmósfera. Los parámetros más significativos estadísticamente se han utilizado como estimadores de los modelos. El mejor desempeño se ha obtenido para el oídio, con un porcentaje de éxito cercano al 97%. 

R2 - Comparing phenological parameter trends to assess the impact of various climate change scenarios predicted by the IPCC on grapevine cultivation in the two bioclimatic regions of the study area.

The results showed that climate conditions in the study region could change for grapevine cultivation in the future, with greater variation expected in the Mediterranean bioclimatic area compared to the Eurosiberian one. It is also estimated that areas currently too cold for grapevine cultivation could become suitable for producing quality wine grapes in the future, particularly in higher-altitude areas of the Mediterranean zones. Predictions for the BBLI and GSP indices suggest a reduction in the threshold below which the likelihood of mildew attacks on vines is low, especially in areas within the Eurosiberian region and the nearby transitional zones. If the trend of increasing temperatures continues, some cultural practices will need to be adjusted to preserve the suitability of grapevine cultivation in the study area. These adjustments may include changing to better-adapted grapevine varieties, implementing fertigation practices, or relocating vineyards to higher altitudes currently characterized by cooler climatic conditions.

The results of this study could assist viticulturists and policymakers in identifying and prioritizing adaptation measures

R2 - Comparar las tendencias de los parámetros fenológicos para valorar el impacto que tendrá los diversos escenarios del cambio climático predichos por el IPCC sobre el cultivo de la vid en las dos regiones bioclimáticas del área objeto de estudio.

Los resultados mostraron que las condiciones climáticas en la región de estudio podrían variar para el cultivo en el futuro, más para el área bioclimática mediterránea que para la eurosiberiana. Además, se estima que las actuales localizaciones con climas demasiado fríos para el cultivo de la vid podrían convertirse en el futuro en zonas adecuadas para el cultivo de uvas con vinificaciones de calidad, principalmente en las zonas más altitudinales de las zonas más mediterráneas. Los cambios de pronóstico para los índices BBLI y GSP reducirán el límite por debajo del cual la posibilidad de un ataque de mildiu en la vid es baja, principalmente en las áreas ubicadas en la región eurosiberiana y las zonas de transición más cercanas. Si continúa la tendencia de aumento de temperatura, se deberán realizar algunas variaciones de prácticas culturales con el fin de preservar la idoneidad del cultivo de la uva en el área de estudio, como el cambio de variedades de cultivares de uva más adaptadas, las aplicaciones de fertirrigación o el cambio de viñedos hacía áreas más elevadas caracterizadas en este momento, por condiciones climáticas más frías.

Los resultados del estudio llevado a cabo podrían ayudar a los viticultores y legisladores a identificar y priorizar las medidas de adaptación.

R1 - Development of phenoclimatic models for the evolution of phenological phases for each plot under study and for each grape variety.

To determine the start of different phenological phases in the selected study areas, field observations and phenoclimatic models were used to quantify the cold and heat requirements that influence dormancy breaking and the subsequent start of the reproductive cycle. The various phenoclimatic models developed are summarized as follows:

The model for Tempranillo aligns well with the phenological states of flowering and fruit set. The worst fit occurs in the states of separated flower buds and bunch closure, where the model is delayed by seven days compared to the field observations. This suggests that the model is nearing the limit of its validity.

The model for Treixadura exhibits greater variance, particularly in the separated flower bud state, where it is advanced by 8 days. Thus, the model would be considered to be beyond the valid interval.

It is important to note that the phenological model, based on temperature accumulation, can adapt from one season to the next. Therefore, for plots where adjustments were made during the first year of implementation, the model's accuracy improved in the second year.

With all the data collected, a "Phenological Prediction Model" was developed to mark the end of dormancy and the start of the main phenological stages, leading to the harvest.

R1 - Obtención de modelos fitoclimáticos de evolución de las fases fenológicas para cada parcela bajo estudio y para cada variedad de uva. 

Con el fin de determinar el inicio de las diferentes fases fenológicas en las áreas de estudio seleccionadas, mediante la observación en campo y a través de modelos fenoclimáticos que cuantifiquen las necesidades de frío y calor que condicionan la rotura de la latencia y el posterior inicio del ciclo reproductivo, se han desarrollado los diferentes modelos fitoclimáticos, de los que cabe señalar lo siguiente.

El modelo de tempranillo se ajusta a la perfección en los estados fenológicos de Floración y Cuajado. El peor ajuste se produce en los estados de botones florales separados y de cierre de racimo. En ambos estados el modelo se retrasa 7 días en relación a las observaciones de los técnicos de campo, por lo que se puede considerar que está al límite de su validez.

El modelo para la treixadura presenta una mayor varianza y un estado fenológico, el de botones florales separados, con un adelanto de 8 días, por lo que el modelo estaría por encima del intervalo de validez. Es importante destacar que el modelo de fenología, al estar basado en la acumulación de temperaturas, puede aprender de una campaña para la siguiente, por lo que en aquellas parcelas en las que fue posible realizar ajustes durante la primera anualidad de ejecución, la precisión del modelo ha sido mayor durante la segunda anualida

Con todos los datos recopilados se ha obtenido el “Modelo de predicción de fenología” para finalizar el periodo de dormición de la vid y que se inicien los diferentes estadíos fenológicos principales y la vendimia.

Currently showing page content in native language where available

Contacts

Project coordinator

  • MONET TECNOLOGÍA E INNOVACIÓN S.L.

    Project coordinator

Project partners

  • Bodega Matarromera S.L.

    Project partner

  • Bodegas Hacienda Monasterio S.L.

    Project partner

  • Diputación de Pontevedra - Estación Fitopatolóxica de Areeiro

    Project partner

  • Fundación Empresa Universidad Gallega

    Project partner

  • Universidade de Vigo

    Project partner

  • Viña Costeira Sociedad Cooperativa Galega

    Project partner