Prediktering av Deoxynivalenol (DON) i havre under Västsvenska förhållanden med hjälp av väder- gröd- och skötseldata.

Vi har testat och utvecklat modeller baserade på väderdata för att prognosticera havrens blomning och DON-förekomst i havre. Vi har testat mekanistiska modeller som utvecklats för vårvete, men även anpassat dessa efter resultat från havreförsök som lagts ut och där blomningen studerats med hjälp av mikroskopi. Vi har också använt statistiska modeller för att göra prognoser för DON i havre som levererats in till Lantmännen. Modellerna har fungerat väl för att bedöma blomning av havre, men vi har inte kunnat utvärdera deras potential för bedömning av DON i försöken. En orsak till detta kan vara att DON-halterna i försöken var relativt låga och inte skilde sig åt tillräckligt mycket mellan sorter och platser. Modellerna för bedömning av DON i inlevererad havre gav relativt god prediktionsförmåga om data från alla tre försöksåren och data fram till skörd togs med i kalibreringen. Att prediktera DON-halter för ett nytt år som inte varit med i kalibreringen fungerade dock sämre.

Nyttan med projektet
Deoxynivalenol (DON) har varit ett stort problem i havre främst i Västsverige under de senaste åren. Värden över gränsvärdet för livsmedel (1750 ppb) har varit relativt vanligt och det finns idag inga tydliga svar på orsaker och hur sambandet mellan vädret under odlingssäsongen och DON-värdena ser ut. I flera utländska studier har man dock konstaterat att vädret under blomningen är betydelsefull, särskilt regn under blomningen anses vara en riskfaktor.
Ett syfte med projektet har varit att visa på möjligheter att kartlägga när havrens blomning inträder, hur länge havren blommar och hur väderfaktorer påverkar detta.
Ett annat syfte var att ta fram vädermodeller som kan användas för att effektivare förutse DON-produktionen. Detta kan vara värdefullt både för lantbrukare som behöver bättre underlag för att bedöma om en bekämpning bör tillgripas, men även för att spannmålsbranschen bättre skall kunna bedöma risken och därmed vilken omfattning analysverksamheten bör läggas på.

Resultat
Resultaten visar att havrens blomningsperiod är längre än man tidigare antagit, vilket kan betyda att havren är känslig för infektion under en längre period än övriga grödor. Vi har också visat på att det är möjligt att bedöma när blomningen pågår med hjälp av såtids- och temperaturdata. Vidare har vi konstaterat att det är möjligt att bedöma medelhalterna av DON i relativt stora områden med hjälp av väderdata. Med ganska stor säkerhet (80-90%) kunde man bedöma om man skulle få medelhalter över eller under 1750 ppb i området. Bedömningarna blev bättre ju närmare skörden man kommer, men redan i samband med ev. bekämpning i blomningen kan väderdata ge en vägledning. Viktiga faktorer var nederbörd vid axgång och blomning samt under kärnfyllnadsfasen i slutet av juli och första halvan av augusti. Även vindriktning under tid vår och under juni månad hade betydelse. Dock har modellerna inte blivit tillräckligt bra om data från det år som man vill göra prognosen för inte finns med i kalibreringen. Det innebär att man skulle behöva data från flera år, eller på andra sätt förbättra prognoserna, innan de kan användas praktiskt.

Metoder
Vi lade ut försök på fyra platser i Västsverige och sydöstra Norge med fyra olika sorter på varje plats. Vippor provtogs vid fyra tillfällen under säsongen för att studera hur blomningen fortskred och DON-halterna i mogen gröda analyserades också.
Vi använde oss även av data från DON som analyserats i havre som leverades in till Lantmännens anläggningar under projektåren 2012-2014.
För att utvärdera data från försöken användes mekanistiska modeller där ett antal olika ekvationer som beskriver olika skeenden hos gröda eller Fusariumsvamp adderas. Ekvationerna påverkas som på olika sätt av väderfaktorer. I vårt fall användes 6 olika index och vi använde dels redan publicerade index som baseras på vårvete och dels index som tagits fram i projektet.
För att koppla samman väder med DON i Lantmännens inleveranser har vi istället använt multivariata statistiska modeller är alla data kombineras på en gång på bästa möjliga sätt.