Analysis of the spatial and temporal dynamics of herbicide resistance to ACCase- and ALS-Inhibitors in Alopecurus myosuroides Huds. and their causes
A.myosuroides is a key weed in many agricultural areas of Western Europe with cases of resistance to ACCase-inhibitor and ALS-inhibitor constantly increasing. A case control study was conducted to assess the resistance situation at a local landscape level with the aim to 1) assess the resistance status at a given location, 2) characterize the spread and temporal development of resistance, 3) analyze factors contributing to resistance and 4) attempt to predict resistance development at the field level to manage resistance evolution before the occurrence of a problem. 1225 fields were sampled for between one and six years. The infestation level in the field was estimated and the remaining efficacy of seeds from field survivors on ACCase and ALS-inhibitors were tested using whole plant greenhouse bioassays together with laboratory analysis. At harvest time only 6% of all samples collected showed infestation levels reducing yields. Resistance to the ACCase-inhibitors of the FOP and DEN class was found to be established with >83% of the samples showing low efficacy. Resistance to ALS-inhibitors was found to remain under development with <32% of the samples showing low efficacy. Among the resistance mechanisms, all previously reported target-site mutations for both modes of action were found. Analyzing the resistance structure revealed no pattern across fields suggesting that the resistance structure of each population is field specific. The different observations for each field were translated into resistant samples (R), intermediate samples (I) and sensitive samples (S) with regard to ALS-inhibitors. Field Management data together with soil data was analyzed in order to identify the driving factors of resistance. Fields with higher diversity in A.myosuroides management through the use of integrated weed management options are less likely to show resistance. Soils with higher carrying capacity of A.myosuroides however play an important role in differentiating R from S cases under similar management. To predict the outcomes at the field level two approaches – a simulation model and a supervised learning algorithm (random forest) – were trained and validated with the obtained data. In 15 out of 16 cases, both were able to predict the correct resistance status and both separately showed some false classification with 12% and 19% for the random forest algorithm and the simulation model respectively.
A.myosuroides ist eines der Hauptunkräuter in Westeuropa. Eine Zunahme der Resistenzfälle gegenüber ACCase- und ALS-Inhibitoren wird beobachtet. Eine Studie zur Analyse der Resistenzsituation in einem Gebiet wurde deshalb mit dem Ziel 1) der Charakterisierung des Resistenzstatuses, 2) der Charakterisierung der räumlichen und zeitlichen Ausbreitung der Resistenz, 3) der Analyse der Ursachen und 4) der Vorhersage der Resistenz bevor sie im Feld sichtbar wird, durchgeführt. 1225 Felder wurden dabei zwischen 1 und 6 Jahren beprobt. Der Befall im Feld sowie die verbleibende Wirkung gegenüber ACCase- und ALS-Inhibitoren, welche mit Gewächshaus und Labormethoden festgestellt wurde, wurden untersucht. Zur Ernte zeigten nur 6% der Flächen einen Befall der ertragsmindernd wirkte. Resistenzen gegenüber ACCase-Inhibitoren (FOP/DEN) wurden in >83% der Proben gefunden, gegenüber ALS-Inhibitoren in <32% der Proben. Dies zeigt, dass Resistenzen gegenüber ACCase-Inhibitoren etabliert sind. Bei den Resistenzmechanismen wurden alle bisher bekannten Punktmutationen bei beiden Wirkmechanismen gefunden. Die Analyse der Resistenzstruktur ergab aber kein Muster zwischen den Feldern. Die Resistenzstruktur ist deshalb als feldspezifisch anzusehen. Die Beobachtungen der Felder wurden in resistente (R), beginnend resistente (I) und sensitive (S) Proben eingeteilt. Bewirtschaftungsmaßnahmen und Bodendaten wurden analysiert, um die Ursachen der Resistenz zu bestimmen. Felder mit einer höheren Diversität der Maßnahmen gegen A.myosuroides durch die Anwendung integrierter Bekämpfungsmaßnahmen sind weniger wahrscheinlich von Resistenz betroffen. Böden mit einem höheren Potential für A.myosuroides spielen aber auch eine wichtige Rolle in der Unterscheidung von R- und S- Fällen bei gleicher Bewirtschaftung. Ein Simulationsmodell und ein „machine learning“-Algorithmus (Random Forest) wurden verwendet, um den Resistenzstatus zu bestimmen. In 15 von 16 Fällen konnten beide Ansätze den korrekten Resistenzstatus vorhersagen. Beide zeigten jedoch unabhängig voneinander auch falsche Vorhersagen (12% bei Random Forest, 19% bei dem Simulationsmodell).
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved