Forschung

Die Welt ist aufgrund des Klimawandels und der wachsenden Weltbevölkerung einem wachsenden Risiko von Nahrungsmittelknappheit ausgesetzt. Die digitale Transformation der Landwirtschaft birgt das Potenzial, effiziente, widerstandsfähige und umweltfreundliche Pflanzenproduktionssysteme zu schaffen. In den letzten Jahren wurden automatische Überwachungsverfahren basierend auf verschiedenen bildgebenden Verfahren (z. B. hyperspektrale, Wärmebildtechnik) wurden erfolgreich eingesetzt, um Trockenheit in Pflanzen zu erkennen, Fäulnis in Früchten zu erkennen und andere Aufgaben. Als solche haben sie sich als wertvolle Instrumente zur Erreichung von Nachhaltigkeit in landwirtschaftlichen Systemen erwiesen. Etablierte Methoden setzen jedoch meist auf die gleichzeitige Verwendung einer einzigen Bildgebungstechnologie. Dadurch wird das Potenzial der Komplementarität vernachlässigt Informationen, die mit mehreren Kameras gewonnen werden könnten und zu einer verbesserten Überwachungsgenauigkeit führen könnten. Das Ziel dieses Dissertationsprojekts ist es daher, mehrere Kameratechnologien gleichzeitig für die Überwachung von Pflanzenproduktionsprozessen zu nutzen und leistungsstarke multimodale maschinelle Lerntechniken zu entwickeln, um relevante Prozesse präzise vorherzusagen Zieleigenschaften. In diesem Projekt werden die Eingabemodalitäten durch verschiedene Bildgebungstechnologien (z. B. Wärmebildkamera für Temperatur, Hyperspektralkamera für Wellenbandinformationen (inkl. sichtbares Licht), Lidar-Kamera für Tiefeninformationen) repräsentiert. Um zu zeigen, dass die entwickelten Methoden des maschinellen Lernens verallgemeinerbar sind, werden sie in evaluiert Drei Anwendungsfälle aus der Praxis, die das gesamte Spektrum des „One Health“-Konzepts abbilden: 1) Gesundheits-/Fruchtbarkeitsbewertung von Böden, 2) Erkennung von Nährstoffmangel bei Pflanzen, 3) Früherkennung von Fäulnis bei Obst und Gemüse. Beiträge dieser Arbeit sind 1) das Design neuartiger multimodaler maschineller Lerntechniken zur Vorhersage biologischer Merkmale aus mehreren Kameramodalitäten basierend auf Deep-Learning-Methodik, 2) die Entwicklung von Modalitätsfusionsmethoden, die Robustheit gegenüber fehlenden Modalitäten ermöglichen und dies ermöglichen gemeinsame Vorhersage mehrerer Merkmale, 3) die detaillierte Bewertung der praktischen Machbarkeit und des Verbesserungsgrades gegenüber unimodalen Methoden in realen Anwendungsfällen. Mit den entwickelten Methoden will diese Dissertation einen Beitrag zu einer sichereren globalen Nahrungsmittelversorgung leisten.

Der Weinbau ist eines der wirtschaftlich wichtigsten Agrarsysteme in Europa. Die Weinrebe verfügt über eine große genetische Vielfalt auf der Ebene der Unterlage, der Sorte und des Klons. Leider wird diese Vielfalt derzeit nur in sehr geringem Umfang genutzt, und ihre potenzielle Rolle bei der Reaktion auf abiotischen Stress wurde noch nicht angemessen quantifiziert. Dies stellt die Winzer vor die offene Frage, welches die besten Mittel sind, um ihre Weinberge an spezifische Umweltbedingungen anzupassen (z. B. Hitzewellen, Trockenheit, Staunässe usw.). Auf wissenschaftlicher Ebene ist es von entscheidender Bedeutung, die genetische Plastizität von Unterlagsreben, Sorten und Klonen (und deren Wechselwirkungen) zu verstehen, um das derzeitige Pflanzmaterial weiter anzupassen und zu verbessern und die genetische Vielfalt der in Europa verwendeten Rebsorten zu erhalten. Es müssen Standards für physiologische Merkmale definiert werden, und der Einfluss der verschiedenen genetischen Hintergründe auf den Wert und die Flexibilität dieser Merkmale unter verschiedenen Umweltbedingungen muss verstanden werden. Vor diesem Hintergrund wurde das Projekt DiverGrape konzipiert, an dem Partner aus vier europäischen Ländern mit unterschiedlichen Umwelt- und Weinbaubedingungen beteiligt sind. Im Rahmen der Partnerschaft werden Forscher einen standardisierten methodischen Ansatz anwenden, der sowohl auf ökophysiologischen als auch auf metabolomischen Werkzeugen basiert, um den Beitrag folgender Faktoren zur Umweltreaktion zu quantifizieren: i) klonale Variation innerhalb bestimmter lokaler Sorten, ii) Unterlagsmaterial für eine bestimmte Sorte und ii) die Interaktion zwischen Unterlage und Edelreiser. Unter Ausnutzung bestehender Weinberge mit einer Vielzahl von genetischem Material in verschiedenen europäischen Weinbaugebieten wird die Partnerschaft quantifizieren, wie die Umwelt die Plastizität der Rebe in Bezug auf bestimmte Klimazonen beeinflusst. Die im Rahmen des Projekts DiverGrape erzielten Ergebnisse werden den Weinbauern das Wissen vermitteln, wie sie die vorhandene genetische Vielfalt der Reben optimieren können, um ihre Weinberge an extremere Klimasituationen anzupassen.

REGACE wird eine bahnbrechende, radikal innovative Technologie entwickeln und validieren, mit der die Agrivoltaik einen wichtigen Beitrag zum Portfolio der EU für saubere Energie leisten wird. Die Technologie ist im Vergleich zu anderen Lösungen äußerst wettbewerbsfähig, da sie das gewünschte Ziel einer klaren, erschwinglichen Energie mit voraussichtlichen Installationskosten von 600 € pro Kilowatt im Vergleich zu 880 € für bodengestützte Photovoltaik-Felder. Darüber hinaus ist das in diesem Projekt demonstrierte System auch in Gebieten mit geringerer Sonneneinstrahlung kosteneffizient, die derzeit außerhalb der Gebiete liegen, für die Agrivoltaik in Frage kommt. Die Kerntechnologie ist ein im Gewächshaus montiertes Nachführsystem, das von einer SPS-Steuerung gesteuert wird, die den Winkel des Nachführsystems je nach den Bedürfnissen der Pflanzen ändert. Wir werden ein System testen, bei dem die CO2-Anreicherung als Mittel zur Steigerung der Stromproduktion bei schlechten Lichtverhältnissen eingesetzt wird, indem der Einfallswinkel der bifazialen Paneele im Nachführsystem erhöht wird. Das Nachführsystem wird mit wenigen Schrauben an den Stützen des Gewächshauses aufgehängt, so dass keine windfesten Stützen erforderlich sind und der Preis pro installiertem Kilowatt sinkt. Diese Technologie ermöglicht also nicht nur die Doppelnutzung von Land, sondern auch die Doppelnutzung der Infrastruktur. Das Design der Technologie führt auch zu einer Reduzierung der Bau- und Wartungskosten, der Ausführungsdauer und darüber hinaus zu einer Reduzierung der CO2-Emissionen. Zusätzlich zu den wirtschaftlichen Auswirkungen wird dies auch zu erheblichen positiven Auswirkungen auf die ökologische Nachhaltigkeit und die Verringerung des ökologischen Fußabdrucks durch die Lebensdauer von Wartung und Betrieb führen. Sie wird auch zu einer Diversifizierung des Energieerzeugungsmarktes führen, wobei kleine Gewächshausbesitzer eine wichtige Rolle auf dem Markt spielen werden. Die Technologie wird im industriellen Betrieb an sechs Standorten mit unterschiedlichen Gewächshaustypen und Kulturen getestet.