Plantparasitaire nematoden vormen een belangrijke bedreiging voor grasmatten. Een effectieve bestrijding van nematoden is afhankelijk van een nauwkeurige identificatie van de nematodensoorten die uit bodemmonsters worden gehaald. Dit proces vereist echter gespecialiseerde expertise. Recente ontwikkelingen op het gebied van deep learning-modellen bieden veelbelovende oplossingen voor de toekomst van nematodenidentificatie.

Plantparasitaire nematoden voeden zich met wortels van de grasplant. Daardoor kunnen ze deze beschadigen en de water- of nutriëntopname van de grasplant verstoren. De grasplant wordt daarmee kwetsbaarder voor betreding en zal meer tijd nodig hebben om te herstellen. Voor goed onderhouden golfbanen en sportvelden is elke vermindering van de visuele kwaliteit ongewenst. De schade vaststellen door plantparasitaire nematoden op basis van uitsluitend bovengrondse symptomen is niet betrouwbaar, aangezien deze symptomen ook kunnen worden veroorzaakt door andere stressveroorzakende invloeden van levende organismen op andere organismen of fysische en chemische omgevingsfactoren.

Nematoden behoren waarschijnlijk tot de meest soortenrijke diergroepen op aarde. De wetenschap heeft er zo’n 27.000 beschreven maar geschat wordt dat het werkelijk aantal verschillende nematoden tussen de 500.000 en één miljoen ligt.

Het vaststellen van de aanwezigheid van plantparasitaire nematoden en de identificatie ervan wordt gedaan door gespecialiseerde diagnostische nematologielaboratoria. Hier worden bodemmonsters onderzocht en identificeert en kwantificeert een technisch expert de plantparasitaire nematoden met behulp van een microscoop. Zelfs voor ervaren specialisten is dit een moeizaam en tijdrovend proces.

Om de efficiëntie van de snelle diagnose te verhogen en de beschikbaarheid van nematodendiagnostiek uit te breiden naar laboratoria die geen specialisten in dienst hebben zijn hulpmiddelen die helpen bij de identificatie van nematoden zeer wenselijk.