Forschung

In der Zeitschrift Precision Agriculture ist der Artikel "Prediction of pasture yield using machine learning-based optical sensing: a systematic review" erschienen. Für das Weidemanagement sind genaue Prognosen der Biomassse von hoher Bedeutung und hierzu werden zunehmend Machine-Learning-Algorithmen und nicht-destruktive, bildbasierte Verfahren unter Nutzung von Satelliten, Drohnen oder portablen Kameras erforscht. Angesichts der Vielfalt der untersuchten ML-Techniken ist es erforderlich, die Evidenz zu bewerten und Folgerungen für die Entwicklung und Evaluation von Prognosemodellen zu ziehen. Hier setzt die Arbeit von Christoph Stumpe, Jörg Leukel und Tobias Zimpel an, die in einem systematischen Vorgehen 43 Feldstudien auswählte. Die Studien wurden hinsichtlich ML-Techniken für Datensammlung, Datenvorverarbeitung, Modelltraining und Modellevaluation ausgewertet. Die Ergebnisse zeigen (1) die Verwendung einer großen Anzahl von Vegetationsindizes, Texturen und Spektralbändern aus sehr unterschiedlichen Datenquellen, (2) die hohe Bedeutung von Feature-Selection-Techniken um hochdimensionale Inputdaten zu verarbeiten, (3) eine geringe Verbreitung von einheitenlosen Metriken wie NRMSE und MAPE, (4) eine höhere Variabilität der Prognosegüte für Modelle auf Basis bodenferner Bilddaten und (5) den Bedarf für größere Einheitlichkeit, Vergleichbarkeit und Vollständigkeit der Studienberichte. Davon ausgehend werden Empfehlungen für künftige Arbeiten und erweiterte Berichterstattung gegeben. Der Review-Artikel ist gemeinsam mit dem Fachgebiet Grundlagen der Agrartechnik im Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) entstanden und hier abrufbar: https://doi.org/10.1007/s11119-023-10079-9

Heute beteiligten wir uns an der 52. Jahrestagung der Gesellschaft für Ökologie (Gfö), die mit mehr als 1.000 Teilnehmenden an der Universität Leipzig ausgerichtet wurde. Jörg Leukel berichtete über die Eignung von Machine-Learning-Verfahren für die Ertragsprognose artenreicher Weideflächen. Hierzu wurden 43 Feldstudien systematisch ausgewertet. Die Ergebnisse verdeutlichen u.a., dass (1) zwei Drittel der Studien auf Weiden mit ein oder zwei Kulturen beschränkt sind, (2) die raum-zeitliche Variabilität des Weideertrags sich stark unterscheidet und (3) Leistungsmetriken für die Prognosemodelle nur unzureichend berichtet wurden. Zukünftige Forschung sollte verstärkt auf die Generalisierbarkeit der Prognosemodelle abzielen (jenseits von sehr spezifischen, stark kontrollierten Umgebungsbedingungen) und anhand standardisierter Metriken ein umfassenderes Bild der Prognosegüte zeichnen. Nur dann ist es möglich, fundierte Aussagen zur Eignung der Verfahren zu gewinnen. Der Beitrag "Prediction of pasture biomass using machine learning-based optical sensing: How temporal and spatial variability affects prediction performance" (Koautoren: Christoph Stumpe, Tobias Zimpel) ist im Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) entstanden. Die Präsentation ist online abrufbar: http://dx.doi.org/10.13140/RG.2.2.27191.50083

Heute kamen Expertinnen und Experten aus Forschungsprojekten zu Künstlicher Intelligenz (KI) in der Landwirtschaft zu einem ersten X-KIT-Cluster-Treffen zum Thema „Prozessautomation und Robotik“ zusammen. Wir brachten uns mit unserem Projekt KINERA ein, in dem wir den Einsatz von KI im Weizenanbau untersuchen. Neben der Projektvorstellung standen der Erfahrungsaustausch, die Diskussion von Herausforderungen und Lösungsansätzen sowie die Identifizierung von Kooperationsmöglichkeiten auf der Agenda. Wir freuen uns auf den weiteren spannenden Austausch mit der Agrar-Community.

Auf dem Programm stand heute die Besichtung eines Asphalt-Mischwerks in Sindelfingen. Das Mischwerk der Makadam Schwaben GmbH erreicht eine Höhe von mehr als 50 Metern und zählt zu den modernsten Anlagen dieser Art in Europa. Jörg Leukel, Luca Scheurer und Tobias Zimpel vom WI2-Team überzeugten sich vor Ort von dem hohen Automatisierungsgrad und den prozesstechnischen Verfahren zur Ressourceneffizienz. Anlass war der sechste Workshop unseres Forschungsprojekts zu Machine-Learning-Verfahren im Asphaltstraßenbau (KInaStra), das vom Projektpartner Makadamlabor Schwaben GmbH ausgerichtet wurde. Im Mittelpunkt stand die Vorbereitung von Messkampagnen auf Baustellen, um Datensätze für das Training von Prognosemodellen zu erstellen.

Heute stellte Sari Perdana-Decker auf dem 11th International Symposium on the Nutrition of Herbivores (ISNH 2023) den Beitrag „Estimating pasture yield using machine learning and weather data: effect of small and large prediction horizons“ (Autoren: Tobias Zimpel, Sari Perdana-Decker, Jörg Leukel, Luca Scheurer, Uta Dickhöfer, Jessica Werner) vor. Das ISNH ist ein bedeutendes Symposium im Bereich Ernährung von Pflanzenfressern in natürlichen Ökosystemen und kommerziellen Produktionssystemen. Es fand dieses Jahr bei sonnigen Wetter in der am Atlantik gelegenen Stadt Florianópolis (Brasilien) statt. In dem Beitrag geht es um die Rolle verschiedener Prognosehorizonte (1, 7, 14, 21 und 28 Tage bis zur Ernte) für die Prognose des Weideertrags mit maschinellen Lernverfahren und Wetterdaten. Hierzu wurde ein Datensatz über Ertrags-, aggegierte Wetter- und Weidedaten von vier landwirtschaftlichen Betrieben verwendet. Mit dem Lernverfahren Random Forest wurde in einer Leave-One-Out-Kreuzvalidierung (n zwischen 67 und 73) der mittlere absolute relative Fehler bestimmt. Der Fehler veränderte sich entgegen unserer Erwartung kaum (1 Tag: 0,261, 7 Tage: 0,262, 14 Tage: 0,264, 21 Tage: 0,263, 28 Tage: 0,271). Der Beitrag ist im Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) entstanden und hier abrufbar: https://doi.org/10.1016/j.anscip.2023.04.137.

Heute fand auf dem Lehr- und Versuchsbetrieb „Hofgut Jungborn“ in Nürtingen die Klausurtagung des Verbundprojektes DiWenkLa statt, zu der Forschende aus allen 14 Teilprojekten bei wunderschönem Wetter zusammenkamen. DiWenkLa untersucht digitale Technologien für den Ackerbau, Feldgemüsebau, Grünlandbewirtschaftung sowie die Rinder- und Pferdehaltung. Für unser Teilprojekt zu Machine Learning in der Grünlandbewirtschaftung nahmen Jörg Leukel, Luca Scheurer und Tobias Zimpel teil. In Vorträgen und Gruppenarbeiten wurden die bisherigen Ergebnisse und künftigen Arbeiten reflektiert. Im Anschluss gab es ein gemeisames Pizza-Essen, gefolgt von einer Führung durch das Hofgut.

Im Cafe Moskau in Berlin Mitte fand heute die Experimentierfelder-Konferenz des Bundesministerium für Ernährung und Landwirtschaft statt, auf der 14 Experimentierfelder ihre aktuellen Ergebnisse und Erfahrungen vorstellten. Die 14 Experimentierfelder untersuchen digitale Technologien zur Erhöhung der Nachhaltikeit und Effizienz in der Landwirtschaft. Eines der Experimentierfelder ist das Projekt DiWenkLa - Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft. In DiWenkLa werden digitale Technologien für den Ackerbau, Feldgemüsebau, Grünlandbewirtschaftung sowie Rinder- und Pferdehaltung untersucht. Wir (Luca Scheurer und Tobias Zimpel) waren als Teil des DiWenkLa-Teams auf der Experimentierfeldkonferenz vertreten und brachten unsere Erfahrungen mit Machine Learning in der kleinstrukturierten Grünlandbewirtschaftung ein. In über 40 Fachvorträgen, den sogenannten „Insides", und an den Ständen der Experimentierfelder auf der Ausstellungsfläche konnten sich die Teilnehmenden aus Politik, Forschung und Praxis u.a. über aktuelle Zwischenergebnisse, Herausforderungen digitaler Technologien und Handlungsbedarfe intensiv austauschen und diskutieren. Wir freuen uns auf den weiteren Austausch mit den anderen Experimentierfeldern.

Heute begrüßten wir Dr. Michael D. Murphy von der Munster Technological University in Cork (Irland) als Gast am Lehrstuhl. Er beschäftigt sich in seiner Forschung mit Prognose- und Steuerungsverfahren für das Weidemanagement, insbesondere mit der Rolle von Sensordaten und Machine Learning (ML). Anlass für den Besuch waren unsere Arbeiten zur ML-basierten Ertragsprognose auf Basis von Wetter- und Bilddaten (im Rahmen des Verbundprojekts DiWenkLa - Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft). Das Projektteam stellte aktuelle Ergebnisse zu Prognosemodellen vor, die anhand von Wetter- und Ertragsdaten von sieben Betrieben aus Baden-Württemberg trainiert und evaluiert wurden.

Heute wurde ein zweitägiges Konsortialtreffen des Verbundprojekts Künstliche Intelligenz für eine effiziente und resiliente Agrartechnik (KINERA) erfolgreich beendet. Hierzu kamen in Hamm in Westfalen beim Softareunternehmen exatrek die Projektpartner zusammen, um den aktuellen Projektfortschritt zu präsentieren und diskutieren sowie in Workshops relevante Projektthemen weiterzuentwickeln. Wir berichteten über die Entwicklung von Machine-Learning-Verfahren für die Prognose von Prozesszeiten in der landwirtschaftlichen Bestandsetablierung. In KINERA erarbeitet das Projektkonsortium innovative, KI-basierte Lösungen für hohe landwirtschaftliche Produktivität und Widerstands- bzw. Adaptionsfähigkeit der Produktionsprozesse.

In der Zeitschrift Computers and Electronics in Agriculture ist der Artikel "Machine learning technology for early prediction of grain yield at the field scale: A systematic review" erschienen. Machine Learning (ML) stellt eine wichtige Technologie für Ertragsprognosen in der Pflanzenproduktion dar. ML wird mittlerweile für sehr verschiedene Prognoseaufgaben eingesetzt, wie Prognosen in frühen oder späten Phasen des Pflanzenwachstums, Prognosen für einzelne Felder oder ganze Regionen sowie Prognosen für unterschiedliche Kulturen. Allerdings erschwert diese Vielfalt die zielgerichtete Auswahl von ML-Techniken, um Prognosemodelle hoher Güte zu entwickeln. Hier setzt die Untersuchung von Jörg Leukel, Tobias Zimpel und Christoph Stumpe an, die in einem systematischen Prozess 46 ML-Studien zu einer spezifischen Prognoseaufgabe auswählte (frühe Prognose, Feldebene, Getreide). Die Studien wurden hinsichtlich Prognoseproblem und ML-Techniken für Datensammlung, Datenvorverarbeitung, Modelltraining und Modellevaluation ausgewertet. Die Ergebnisse verdeutlichen (1) eine große Bandbreite des Prognosezeitraums für Getreidekulturen, (2) einen weiten Umfang der Eingabedaten bezüglich Wetter, Pflanzenmanagement, Bodeneigenschaften und Vegetationsmerkmalen, (3) eine vergleichsweise geringe Nutzung von Feature-Selection-Techniken, (4) Mängel in der Berichterstattung über die Trainings- und Testdaten und (5) bedeutende Heterogenität der verwendeten Metriken. Anhand dieser Einsichten in die Adaption von ML-Techniken identifizieren die Autoren künftigen Forschungsbedarf und geben Empfehlungen, wie die Interpretation, Vergleichbarkeit und Zusammenführung der empirischen Ergebnisse von Einzelstudien befördert werden könnte. Der Review-Artikel ist gemeinsam mit dem Fachgebiet Grundlagen der Agrartechnik im Verbundprojekt Digitale Wertschöpfungsketten für eine nachhaltige kleinstrukturierte Landwirtschaft (DiWenkLa) entstanden und hier abrufbar: https://doi.org/10.1016/j.compag.2023.107721

Heute kamen in Kaiserlautern am Fraunhofer IESE 27 KI-Projekte aus der BMEL-Fördermaßnahme “Künstliche Intelligenz in der Landwirtschaft, der Lebensmittelkette, der gesundheitlichen Ernährung und den Ländlichen Räumen“ zu einem Vernetzungstreffen zusammen. Dieses Vernetzungstreffen wurde vom Vernetzungs- und Transferprojekt X-KIT organisiert. Die blockweise Vorstellung der Projekte als “Pitch” mit anschließenden Postersessions sowie Arbeiten in thematischen Clustern ermöglichten einen intensiven und spannenden Austausch zu Themen wie Nachhaltigkeit, Herausforderungen und verwendeten Technologien. Wir brachten Erfahrungen aus unserem Projekt KINERA zur Erhöhung der Prozesseffizienz mit KI ein und freuen uns auf den weiteren Austausch und die Zusammenarbeit mit den anderen Projekten.

Am Lehrstuhl startete ein neues Forschungsprojekt zu Machine-Learning-Anwendungen im Asphaltstraßenbau. In den kommenden zwei Jahren werden wir gemeinsam mit drei Unternehmen neuartige KI-Verfahren für die Echtzeitsteuerung von Asphaltbaustellen nach Kriterien der Nachhaltigkeit entwickeln und in Feldstudien evaluieren. Das Lehrstuhl-Team steuert ML-Prognoseverfahren für Prozesszeiten und -qualitätsparameter bei, die aus vielfältigen Bauprozessdaten die steuerungsrelevanten Zusammenhänge lernen. Heute kamen in Nürtingen erstmals alle Projektpartner zusammen (Smart Site Solutions GmbH, REIF Bauunternehmung GmbH & Co. KG, Makadamlabor Schwaben GmbH und Universität Hohenheim). Das Projekt trägt den Namen KInaStra - Künstliche Intelligenz für den digitalen & nachhaltigen Straßenbau und wird mit Mitteln des Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg gefördert.

Heute besuchte das Lehrstuhl-Team die IBM-Deutschlandzentrale in nahegelegenen Ehningen, um Deutschlands ersten Quantencomputer in Augenschein zu nehmen. Quantencomputing ist eine neuartige Technologie, um mithilfe der Gesetze der Quantenmechanik Rechenprobleme zu lösen, die für herkömmliche Computer zu komplex sind. Anlass für den Besuch war ein von Prof. Müller-Hengstenberg initiiertes Seminar, in dem Computing-Expert*innen von IBM eine Einführung in das Quantencomputing gaben und gemeinsam mit juristischen Expert*innen Implikationen für zukünftige Computing-Dienstleistungen diskutierten.