Wie künstliche Intelligenz mittels Fernerkundung der Landwirtschaft helfen kann, das beleuchtet das Yield Consoritum. Gemeinsam mit BASF Digital Farming, John Deere und Munich Re werden Vorhersagemodelle für ausgewählte Ackerkulturen in den Fokus-Regionen Europa sowie Süd- und Nordamerika entwickelt, mit ersten vielversprechenden Ergebnissen. Später sollen die Modelle auf weitere relevante Kulturen und Anbaugebiete ausgedehnt werden.
Wie kann künstliche Intelligenz der Landwirtschaft helfen?
In unserer heutigen Zeit kristallisieren sich ökologische Herausforderungen auf globaler Ebene heraus, die durch die Ernährungskrise, Kriege und den Folgen des Klimawandels Gestalt annehmen. Mehr Transparenz und Hilfestellungen für die Landwirtschaft sind erforderlich, um aktiv auf Veränderungen reagieren und Krisenmanagement im Agrarsektor erfolgreich durchführen zu können. Das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) möchte mit seiner Forschung einen wichtigen Teil zur Problemlösung beitragen und hat in Kooperation mit der European Space Agency (ESA) das Projekt Yield Consortium ins Leben gerufen. Das Konsortium ist Bestandteil der Forschungskooperation AI4EO Solution Factory, die von der ESA im Rahmen des „ESA Incubed Programme“ gefördert wird und praxisorientiert an neuen Lösungen auf Basis von Satellitendaten für Wirtschaft und Industrie arbeitet.
Perspektivwechsel ermöglicht zuverlässige Ertragsvorhersagen
Das Potenzial des Yield Consortium Projekts liegt darin, auf Veränderungen von landwirtschaftlichen Erträgen proaktiv reagieren zu können. Es werden Satellitendaten genutzt, um zuverlässig und frühzeitig Erträge vorherzusagen. Dieser Modellierungsprozess wird von den Industriepartnern begleitet und durch ihre komplementierende Expertise in den Bereichen Finance, Agronomie und Erntetechnologie unterstützt.
Die Ertragsvorhersagen ermöglichen perspektivisch neue Versicherungslösungen und können Verlustschätzungen besser kalkulieren hinsichtlich Bewässerung, Pflanzenschutz, Düngung und wirtschaftlicher Planung. Vorteilhaft sind diese Vorhersagen nicht nur für Politik und Industrie, sondern auch für Landwirte selbst. Sie können ihnen dabei helfen, ihre Anbaumethoden zu optimieren und den Pflanzenschutz zu verbessern.
Fernerkundung aus dem All wird zum praktischen Tool für Landwirtschaft
In kurzer Zeit ist es dem interdisziplinären Team gelungen, nach den Anforderungen der Industriepartner ein erstes End-to-End Modell zu entwickeln, welches bereits erfolgreich in der Praxis getestet wurde. Zurzeit können Ertragsvorhersagen in Deutschland für Weizen und Raps und in Südamerika, Argentinien und Uruguay für Sojabohnen bestimmt werden. Dies geschieht auf Basis von Satellitendaten. Wetterdaten, Daten zur Bodenbeschaffenheit, agronomische Informationen zu Pflanzenwachstumsphasen und digitale Höhenmodelle sind indessen im Modell integriert.
Die Ertragsvorhersagen werden zu unterschiedlichen Zeitpunkten aufgenommen. Zum einen können Erträge bis 120 Tage vor der Ernte bestimmt werden. Zum anderen werden landwirtschaftliche Ertragsprognosen zum Zeitpunkt der Ernte gegeben. Je dichter der Zeitpunkt der Ernte ist, desto genauer kann auch die Vorhersage getroffen werden. Elementare Fragestellungen im Bereich Erntelogistik und Getreidevermarktung können leichter beantwortet werden wie: Welcher Ort ist geeignet für die individuelle Anbaupflanze? Was für Erträge erwarten wir in der Saison? Wie viel Dünger und Pflanzenschutzmittel sollten eingesetzt werden? All das sind Fragen, deren Antworten einen erheblichen Einfluss auf die Maximierung von Erträgen haben.
DFKI-Forscherin Dr. Michaela Vollmer gibt einen Einblick in die Praxis: Der Mähdrescher ernte ein Feld und messe hochauflösend und fortlaufend den Ertrag in Tonnen pro Hektar, der einem Ursprungsort im Feld zugeordnet werden könne. Anhand von gemessenen Erntepunkten, den ‚Geo Locations‘, kann man auf Sub-Feld-Ebene sehen, wie hoch der Ertrag auf einem Feld punktuell ist. Mit diesen hochauflösenden Daten kann man Satellitenbilder aus dem Weltraum mit einer 10 x 10 Meter-Pixel-Auflösung abgleichen. Das hat zum Vorteil, dass das Machine Learning Modell optimal trainiert werden kann. So können individuelle Maßnahmen auf dem Feld von Landwirten eingeleitet werden.
Weitere Informationen unter www.dfki.de