Haselnussbaum, reife Nuss und getrocknete Nuss ohne Schale.

Wenn Sie Haselnüsse in ihrer ganzen Form, als Zutat in Schokolade und Backwaren oder in köstlich cremigem Nutella („enthält 13 % Haselnüsse! ”), Sie sind nicht allein. Haselnüsse sind die am dritthäufigsten konsumierte Baumnuss weltweit und ihre Beliebtheit steigt stetig. Wissenschaftler beginnen, die biologischen Geheimnisse dieser widerstandsfähigen Bäume zu entschlüsseln. Neue Simulationsmodelle können zu verbesserten Produktionsmethoden führen, die Ihre Lieblingsleckereien deutlich verbessern könnten.

Während viel Forschung über Haselnuss betrieben wurde qualitativ hochwertige, Nutzen für die Gesundheit, und Verwendungen von Nebenprodukte, es gibt vieles, was wir über den Haselnussbaum selbst nicht wissen. Einige Studien haben die Auswirkungen von Bepflanzung mit hoher Dichte, Beschneidung um den Ertrag zu steigern, Schädlings- und Krankheitsprobleme zu reduzieren und die maschinelle Ernte zu erleichtern. Die langfristigen Auswirkungen von Managementsystemen und Klimawandel auf verschiedene Sorten in verschiedenen Regionen sind jedoch noch unklar.

Modellierung ist ein leistungsstarkes Werkzeug zur Untersuchung und zum Verständnis des Pflanzenwachstums und anderer Prozesse. Dies gilt insbesondere für langlebige Pflanzen wie Haselnüsse, die über bis zu 50 Jahren. Diese Langlebigkeit macht es schwierig, für jede einzelne Situation die notwendigen relevanten Experimente durchzuführen.

Francesca Grisafi, Postdoc an der Università Cattolica del Sacro Cuore und Kollegen ein Modell erstellt, um die Dynamik der Haselnussbaumarchitektur im Laufe der Zeit zu erfassen. Diese Forschung ist der erste Schritt zu einem besseren Verständnis des Wachstums und der Entwicklung von Haselnüssen.

Zwei Jahre lang wurden 104 Triebe sorgfältig vermessen, darunter Durchmesser, Länge und Anzahl der Knoten sowie Anzahl und Art der Knospen an jedem Knoten. Ein Knoten ist ein bestimmter Punkt am Stängel einer Pflanze, an dem Knospen entstehen. Aus Knospen können sich neue Blatttriebe, Blüten oder eine Mischung aus beidem entwickeln. Die Daten des zweiten Jahres ermöglichten es, die besten Prädiktoren für jeden einzelnen Schritt im Entwicklungsprozess zu identifizieren (siehe logisches Diagramm). So hing beispielsweise die Länge neuer Triebe von der Art der Knospen ab, aus denen sie entstanden. Aus vegetativen Knospen wuchsen längere Triebe als aus Knospen, die sowohl vegetative Stängel als auch Blüten hervorbrachten.

Ein Flussdiagramm mit elf Kästchen, beginnend und endend mit der Frage „Platzt es?“. Jedes Kästchen im Flussdiagramm stellt eine Frage dar, die beantwortet werden muss, um die Entwicklung eines Haselnuss-Architekturmodells zu ermöglichen. Ein rechteckiges Diagramm mit verschiedenen Formen und Farben zur Darstellung von Maßstäben, Triebarten und Datenverteilung.
Diagramm zur Veranschaulichung der Prozesse, die bei der Entstehung von Wachstum und Verzweigung bei Haselnüssen eine Rolle spielen.

Diese Informationen wurden genutzt, um das erste Modell der Haselnuss-Baumentwicklung zu erstellen. Das resultierende Modell simulierte erfolgreich Wachstumsmuster, die den im Feld beobachteten sehr ähnlich waren.

Zwei Bilder desselben simulierten Baums. Das linke ist ohne Blätter und das rechte mit Blättern.
Ein simulierter Haselnussbaum mit und ohne Blätter.

Diese Forschung stellt nur einen ersten Schritt zur Modellierung des Wachstums und der Verzweigung von Haselnüssen dar und unterstreicht die Notwendigkeit weiterer Feldversuche. Zusätzliche Feldversuche sollen das bauliche Verhalten über mehrere aufeinanderfolgende Jahre oder an Bäumen unterschiedlichen Alters erfassen und abschätzen, um einen besseren Überblick darüber zu erhalten, wie sich bauliche Merkmale im Laufe der Zeit verändern und wie sich diese Merkmale auf den Ertrag auswirken.

DER ARTIKEL::

Francesca Grisafi, Sergio Tombesi, Daniela Farinelli, Evelyne Costes, Jean-Baptiste Durand, Frédéric Boudon, Modellierung der Architektur der Haselnuss (Corylus avellana) Tonda di Giffoni über zwei aufeinanderfolgende Jahre, in silico Plants, Band 6, Ausgabe 1, 2024, diae004, https://doi.org/10.1093/insilicoplants/diae004