Künstliche Intelligenz (KI) in der Landwirtschaft

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planung und Kreativität zu zeigen (Definition der Europäischen Kommission, 2018). KI ist sowohl Wissenschaft als auch Technik. Sie ist Wissenschaft, weil sie theoretisch untersucht, wie "künstliches Denken" funktionieren könnte. Sie ist Technik, weil sie Maschinen oder Programme baut, die diese Fähigkeiten tatsächlich realisieren.
Das Hauptziel der KI ist Algorithmen, Modelle und Systeme zu entwickeln die es Maschinen ermöglichen, aus Daten zu lernen, Schlüsse zu ziehen, Entscheidungen zu treffen und Probleme autonom zu lösen, als ob sie ein Mensch wären. Ein KI-System funktioniert, wenn seine Leistung messbar und überprüfbar ist. Zum Beispiel, wenn die Maschine ein Problem löst, eine Aufgabe ausführt oder erfolgreich Entscheidungen nach vorgegebenen Kriterien trifft.

Abb.1: KI: Wissenschaft und Technik.

Maschinelles Lernen und Deep Learning

Maschinelles Lernen und Deep Learning sind zwei Technologien der künstlichen Intelligenz, die zunehmend Einzug in den Arbeitsalltag von Landwirten und Feldtechnikern halten, um bessere Entscheidungen treffen zu können.
Maschinelles Lernen kann als die Fähigkeit eines Systems beschrieben werden , ‚aus Erfahrung zu lernen‘. In der Praxis werden dem Modell eine Menge historischer Daten zur Verfügung gestellt: Wetterdaten, Produktionsdaten, Bodenanalysen, Erntebilder, agronomische Eingriffe und deren Ergebnisse. Durch die Analyse dieser Daten identifiziert der Algorithmus automatisch wiederkehrende Zusammenhänge, sogenannte Muster, und nutzt diese, um Vorhersagen zu treffen oder Maßnahmen vorzuschlagen. In der Landwirtschaft bedeutet dies zum Beispiel, dass er die zu erwartenden Erträge schätzt, das Risiko von Wasserstress vorhersagt oder auf der Grundlage realer Umwelt- und Agrardaten günstige Bedingungen für die Entwicklung einer Krankheit identifiziert.
Tiefes Lernen ist ein Teilbereich des maschinellen Lernens, der besonders leistungsfähig ist, wenn Sie mit komplexen Daten wie Bildern, Signalen oder sehr detaillierten Zeitreihen arbeiten. Seine Stärke liegt in der Verwendung "tiefer" neuronaler Netze, die von der Funktionsweise des menschlichen Gehirns inspiriert sind und die in der Lage sind, automatisch die wichtigsten Informationen aus den Rohdaten zu extrahieren. Im landwirtschaftlichen Kontext ermöglicht Deep Learning beispielsweise die Erkennung einer Blattkrankheit auf einem Feldfoto, die Unterscheidung von Schädlingen in der Ernte, die Analyse der Struktur eines Pflanzendaches oder die Beurteilung des Wachstumszustandes auf Satelliten- oder Drohnenbildern.

Abb.2: Maschinelles Lernen und Deep Learning.

Der praktische Unterschied zwischen den beiden Ansätzen besteht darin, dass maschinelles Lernen sehr gut funktioniert, wenn die Schlüsselvariablen bereits bekannt und messbar sind, z. B. phänologische Daten, Erträge, Wetterbedingungen. Umgekehrt wird Deep Learning unverzichtbar, wenn die Informationen nicht unmittelbar numerisch sind, sondern interpretiert werden müssen, wie im Fall von Luftbildern. Bei fortschrittlicheren landwirtschaftlichen Anwendungen werden die beiden Technologien oft kombiniert: Deep Learning extrahiert Informationen aus Bildern oder Sensoren, und maschinelles Lernen integriert sie mit Wetter-, Boden- und Agrarmanagementdaten, um die endgültige Entscheidung zu unterstützen.

Ist KI in der Landwirtschaft wirklich nützlich?

Der Wert der künstlichen Intelligenz zeigt sich vor allem dann, wenn sie auf konkrete Probleme angewandt und richtig in unternehmerische Entscheidungsprozesse integriert wird. Der Nutzen von maschinellem Lernen und Deep-Learning-Techniken liegt in der Unterstützung des Landwirts in einem zunehmend komplexen und zufälligen Umfeld, das durch Klimaschwankungen, steigende Produktionskosten, erhöhten regulatorischen Druck und die Notwendigkeit, die Umweltbelastung zu reduzieren, gekennzeichnet ist.
Dank des Einsatzes von landwirtschaftlichen Wetterstationen, Satelliten- und Drohnenbildern, Sensoren auf dem Feld oder an Traktoren verfügt die Landwirtschaft heute über eine Fülle von Daten. Diese Daten müssen in Informationen für den Landwirt selbst umgewandelt werden, um ihn dabei zu unterstützen, informierte und fundierte Entscheidungen zu treffen. Einer der entscheidenden Punkte der modernen Landwirtschaft ist die Notwendigkeit, zeitnah zu handeln, um Qualität und Quantität des Endprodukts zu gewährleisten. Künstliche Intelligenz ermöglicht es, Daten aus verschiedenen Quellen zu analysieren und in operative Hinweise umzuwandeln, wie z.B. optimale Interventionsfenster, Risikoniveaus oder Prioritäten für Maßnahmen. Dies ist besonders relevant für Aktivitäten wie Bewässerungsmanagement, Schädlingsbekämpfung, Ernährung und Überwachung des Vegetationsstatus.

Verwaltung der räumlich-zeitlichen Variabilität

Einer der größten Vorteile des Einsatzes von KI ist die Möglichkeit, mit der räumlichen und zeitlichen Variabilität von landwirtschaftlichen Systemen zu arbeiten. Scheinbar homogene Felder können erhebliche Unterschiede in Bezug auf den Boden, die Wuchsstärke oder die phänologische Entwicklung aufweisen. Dank maschinellem Lernen und Deep Learning können diese Unterschiede erkannt und quantifiziert werden, was gezielte Eingriffe und damit einen effizienteren Einsatz von Wasser, Düngemitteln und Pestiziden ermöglicht . Dies ist ein Win-Win-Ansatz, der zum einen die Kosten für den Landwirt senkt und zum anderen die soziale, wirtschaftliche und ökologische Nachhaltigkeit erhöht.
Es ist jedoch wichtig klarzustellen, dass die Effektivität dieser Werkzeuge in hohem Maße von der Qualität der Daten und der Korrektheit des zugrunde liegenden agronomischen Modells abhängt. Ein Algorithmus kann fehlende oder nicht repräsentative Daten oder eine falsche agronomische Interpretation des Problems nicht kompensieren. Deshalb ist ein multidisziplinärer Ansatz von entscheidender Bedeutung: Die Zusammenarbeit zwischen Landwirten, Agronomen, Technikern und Experten für künstliche Intelligenz ist notwendig, um die beste Leistung der in der Landwirtschaft eingesetzten KI zu gewährleisten. Algorithmen für maschinelles Lernen und Deep Learning funktionieren am besten, wenn sie auf einer soliden agronomischen Grundlage aufbauen und als unterstützende Werkzeuge eingesetzt werden, die in der Lage sind, große Datenmengen in zeitnahere, gezieltere und nachhaltigere Handlungsempfehlungen umzuwandeln.

Abb.3: Der Einsatz von Machine Learning und Deep Learning in der Landwirtschaft erfordert einen multidisziplinären Ansatz.

KI in Zitrusfruchtplantagen: eine Fallstudie aus der Praxis

Ein konkretes Beispiel für die Anwendung von künstlicher Intelligenz und digitalen Technologien in der Landwirtschaft ist diemultispektrale Drohnenanalyse, die in einem Zitrusanbau in Siziliendurchgeführt wurde . Ziel der Aktivität war es, den vegetativen Zustand und die Reaktion der Pflanzen auf verschiedene agronomische Produkte (Biostimulanzien) objektiv und quantitativ zu bewerten. Dabei wurden Bilder mit sehr hoher Auflösung und fortschrittliche Analysealgorithmen verwendet.
Das Untersuchungsgebiet wurde in 25 Versuchsparzellen von 80 m² mit jeweils 4 Pflanzen unterteilt. Dieser Ansatz ermöglichte es, vergleichbare und statistisch belastbare Daten zu erhalten, die für die Bewertung der Wirksamkeit der getesteten Behandlungen und für die korrekte Interpretation der räumlichen Variabilität des Zitrusanbaus unerlässlich waren.
Die Vermessung wurde sehr schnell mit einer DJI Mavic 3 Multispektral-Drohne durchgeführt, deren integrierter Multispektralsensor neben dem hochauflösenden RGB-Bild die gleichzeitige und abgestimmte Erfassung von vier Spektralbändern (Grün, Rot, Red Edge und NIR) ermöglicht .

Abb.4: Experimentelle Parzellen in einem sizilianischen Zitronenhain.

Die Ergebnisse des Experiments

Aus den RGB- und Multispektralbildern wurde ein 3D-Modell (digitaler Zwilling) des Zitronenhains erstellt. Die Verwendung dieses Modells in Kombination mit Computer Vision und KI-Algorithmen ermöglicht die automatische Extraktion mehrerer biometrischer und physiologischer Parameter der Pflanze, möglicherweise auf einer Pflanze-zu-Pflanze-Basis: die bewachsene Oberfläche, um die Bedeckung des Kronendachs zu quantifizieren; die Dicke, Höhe und das Volumen des Kronendachs, direkte Indikatoren für die vegetative Entwicklung; Vegetationsindizes, insbesondere NDVI für die vegetative Vitalität, GNDVI und NDRE für die indirekte Schätzung der Chlorophyllkonzentration und des Ernährungszustands. Diese Parameter ergeben sich aus der Anwendung fortschrittlicher Analysealgorithmen, die die Rohdaten in agronomische Informationen umwandeln. Multispektrale Bilder, die per Definition komplex sind, werden verarbeitet, um räumliche Muster und Unterschiede zwischen Parzellen zu extrahieren, die mit herkömmlichen visuellen Beobachtungen nur schwer zu erkennen wären.
Schauen wir uns zwei Beispiele für biometrische Parameter an, die in der Zitrusplantage berechnet wurden. Erstens stellt die bewachsene Fläche die Dichte des Kronendachs jeder einzelnen Zitruspflanze dar und ist von grundlegender Bedeutung für die Visualisierung der räumlichen Verteilung der Dichte und die Identifizierung von Bereichen mit geringerer oder höherer Dichte.

Abb.5: Überdachungsfläche für jede Pflanze.

Die Karte des Kronendachvolumens ermöglicht es, die Gesamtentwicklung des Kronendachs als Durchschnittswert für jede Parzelle zu visualisieren. Das Volumen des Kronendachs steht in direktem Zusammenhang mit der Biomasse und ist ähnlich wie die vorherige Karte der bewachsenen Fläche.

Abb.6: Volumen des Kronendachs für jede Pflanze.

Auf der Grundlage der von der Drohne aufgenommenen multispektralen Informationen wurden drei Vegetationsindizes berechnet: NDVI, GNDVI und NDRE. Der NDVI-Index wird stark von der Wüchsigkeit der bewachsenen Fläche beeinflusst, ist aber auch durch diese begrenzt, da er nach Erreichen eines Maximalwerts dazu neigt, sich zu sättigen und jegliche Variabilität auf dem Feld zu verbergen. In der Zitrusplantage wird eine Variabilität innerhalb der Parzellen sowie eine Variabilität zwischen den Parzellen beobachtet.

Abb.7: NDVI-Vegetationsindex des Kronendachs für jede Pflanze.

Die GNDVI-Karte ermöglicht es, den Chlorophyllgehalt von Pflanzen zu überwachen und gesündere Gebiete besser zu unterscheiden als der NDVI, wenn die Baumkronen gut entwickelt sind. Außerdem kann der GNDVI verwendet werden, um die Wasseraufnahme der Pflanzen und damit ihren Wasserstress zu beurteilen. Auch hier gibt es eine hohe Variabilität zwischen den Parzellen, während die Variabilität innerhalb der Parzellen gering ist.

Abb.8: GNDVI-Vegetationsindex des Kronendachs für jede Pflanze.

Wie der GNDVI-Index ermöglicht auch die NDRE-Karte die Überwachung des Chlorophyllgehalts von Kulturen , selbst wenn die Baumkronen gut entwickelt sind. Der NDRE ist ein besserer Indikator für die Pflanzengesundheit als der NDVI für mittlere und späte Kulturen mit einem hohen Chlorophyllgehalt. Außerdem kann der NDRE verwendet werden, um die Stickstoffaufnahme der Pflanzen und damit ihre Effizienz zu bewerten.

Abb.9: NDRE-Vegetationsindex des Kronendachs für jede Pflanze.

Schlussfolgerungen

Die in der Zitrusplantage durchgeführte Fallstudie zeigt, dass künstliche Intelligenz, angewandt auf die Fernerkundung per Drohne, ein konkretes operatives Werkzeug für die agronomische Entscheidungshilfe werden kann. Die iDrone Service von Agrobit ermöglicht die Umwandlung von hochauflösenden Multispektralbildern in objektive und messbare Informationen über den vegetativen Zustand von Pflanzen. Durch die Berechnung von biometrischen Parametern und Vegetationsindizes war es außerdem möglich, die räumliche Variabilität des Zitrusanbaus zu identifizieren und zu quantifizieren, die Reaktion der Pflanzen auf verschiedene Behandlungen zu bewerten und Stresssituationen frühzeitig zu erkennen. Diese Informationen, die mit visueller Überwachung allein nur schwer zu erhalten sind, ermöglichen gezieltere, effizientere und nachhaltigere Eingriffe.
In einem zunehmend komplexen landwirtschaftlichen Umfeld bietet der iDrone Service eine zuverlässige AgTech-Lösung, um die Effizienz des Managements zu verbessern, Kosten zu senken und datengestützte Entscheidungen zu unterstützen.