Forschung

In diesem Projekt soll evaluiert werden, ob eine konservierende Landwirtschaft im Vergleich zu konventioneller Landwirtschaft bei gleichbleibender Ertragshöhe und -stabilität die Bodengesundheit erhöhen kann, oder ob es trade-offs zwischen diesen Effektgrößen gibt. Hierzu wird ein Feldexperiment herangezogen, welches 2015 am UFT Tulln etabliert wurde. Die folgenden zwei Systeme werden verglichen: (i) ein System mit orts-üblicher konventioneller Fruchtfolge (Zuckerrübe-Winterweizen-Mais-Winterweizen) und wendender Bodenbearbeitung und (ii) ein konservierendes System mit einer achtgliedrigen Fruchtfolge (Zuckerrübe-Winterweizen-Mais-Sojabohne-Winterweizen-Sonnenblume-Winterleguminose-Winterweizen), reduzierter Bodenbearbeitung und erweitertem Zwischenfruchtanbau. Der Versuch befindet sich 2023 im neunten Erntejahr; somit sind Systemeffekte inzwischen zu erwarten. Es werden die folgenden Bodengesundheitsparameter in zwei Bodentiefen evaluiert: (i) Gesamtbodenkohlenstoff- und -stickstoffgehalte bzw. -pools, (ii) die mikrobielle Biomasse, (iii) verfügbarer organischer Kohlenstoff und Stickstoff, (iv) das Stickstoffmineralisierungs-potential, (v) potentielle Enzymaktivität und (vi) Aggregatstabilität. Zusätzlich werden die beiden Systeme hinsichtlich ihrer Humusbilanz und Stickstoffnutzungseffizienz evaluiert. Weiters kann auf Ertragsdaten aller Kulturen über den gesamten Versuchszeitraum zurückgegriffen werden; dies erlaubt einen paarweisen Vergleich der Erträge von Zuckerrübe, Winterweizen und Mais, die in beiden Systemen nach den gleichen Vorfrüchten angebaut werden.

Im Rahmen des Green Deal steht die Landwirtschaft vor der Herausforderung der Klimaneutralität durch Emissionsreduktion und CO2-Speicherung im Boden. Mit der EU-Bodenstrategie sollen die dafür erforderlichen Ökosystemfunktionen des Bodens sichergestellt werden. Jedoch liegen bisher kaum praxistaugliche Umsetzungsstrategien für diese Ziele vor. Als neuen Ansatz definiert die EU-„Mission Soil Health“ Leuchtturmbetriebe als Innovationsmotor für das Erreichen der Klima- und Bodenziele des Green Deal. Im Projekt „Bodenpioniere“ wird ein nationales Netzwerk von Leuchtturmbetrieben an 60 Standorten aufgebaut, die die wichtigsten Boden- und Klimaformen sowie Betriebstypen abdecken. Auf den Betrieben werden moderne wissenschaftliche Instrumente etabliert, um die Bodenfunktionen Klimaschutz, Nährstoffeffizienz, Erosionsschutz und Klimawandelanpassung gezielt zu steuern. Die Optimierungspotenziale der Bodengesundheit durch regenerative und agrarökologische Bewirtschaftungsmsysteme im Vergleich zur aktuellen landwirtschaftlichen Praxis, insbesondere hinsichtlich effizienter Kohlenstoff-, Stickstoff- und Wasserkreisläufe, werden durch umfassende Bodenanalytik erfasst. Auf Basis der Messindikatoren wird ein Bodenqualitätsmodell entwickelt, das die erreichten Bewirtschaftungserfolge in den einzelnen Bodenfunktionen quantifiziert und den Betrieben Handlungsorientierungen für weitere Managementoptimierung aufzeigt. Über eine neue Plattform werden Satellitendaten zur Humusbilanzierung und Bewertung der Resilienz gegen Hitze-/Trockenstress aufbereitet. Mittels Integration von pflanzenbaulichen Fernerkundungsdaten in das Bodenqualitätsmodell wird die Bodenfunktionsbewertung verbessert und mit erzielten Fortschritten in der Klimawandelanpassung in der Nutzpflanzenproduktion der Leuchtturmbetriebe verbunden. Auf Grundlage der erhobenen Verbesserungen in Humusaufbau, Nährstoff- und Wassereffizienz sowie pflanzenbaulicher Resilienz der Leuchtturmbetriebe werden über neue Simulationsmodelle verbesserte Abschätzungen von Klima- und Bodenschutzpotenzialen durch Managementinnovation im Ackerbau für die Ziele des Green Deal und zukünftige Klimaszenarien entwickelt. Das Projekt bietet damit durch Integration von innovativer landwirtschaftlicher Praxis und Forschung in einem Leuchtturmbetriebsnetzwerk praxistaugliche Managementlösungen zur nationalen Umsetzung der Green Deal-Ziele mit wichtiger europaweiter Beispielwirkung.

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.