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.

Das Ziel des Forschungsprojekts ist die Entwicklung und Etablierung einer Messmethode (Messprotokoll) für stabilen Humus zur Beurteilung von landwirtschaftlichen Systemen der Humusbewirtschaftung. Im Speziellen werden dafür geeignete Ultraschall-Energie-Inputs für die Humus-Fraktionierung untersucht und festgelegt, die eine Vorhersage von agrar-ökologischen Zielgrößen für Klimaschutz (geringe Verluste der organische Substanz als CO2), Grundwasserschutz (Stabilisierung von Stickstoff in organischer Form), Erosionsschutz (Aggregatstabilität) und Klimawandelanpassung der Produktion (Wasserspeichervermögen) erlauben.

Schätzungen zufolge sind 60–70 % der Böden in der EU nicht mehr in der Lage, essentielle Ökosystemleistungen zu garantieren. Die EU- stellt sich daher im Rahmen des Green Deal das Ziel, neue Wege der Bewirtschaftung zu entwickeln, die die Bodengesundheit sicherstellen. In diesem Horizon Europe Projekt werden neue Instrumente entwickelt, um den Übergang zu agro-ökologisch orientierten Bewirtschaftungssystemen zu begleiten. Im Speziellen werden digitale und bildgebende Methoden getestet, um Bodengesundheit im Feld zu erkennen. Damit soll Landwirte eine vereinfachte Beurteilung von Veränderungen und Fortschritten bei Managementänderung ermöglicht werden und damit auch die Verfügbarkeit von Monitoringdaten über den Zustand landwirtschaftlicher Böden verbreitert werden. Das Projekt zielt damit auf ein Unterstützung der im Zuge der "Mission Soil Health" zu etablierenden Forschungsbegleitung von innovativen Leuchtturmbetriebe, die zum Motor der agro-ökologischen Transformation der europäischen Landwirtschaft werden sollen.