Derzeit leben mehr als 8,1 Milliarden Menschen auf der Erde. Schätzungen zufolge wird diese Zahl bis 2050 auf 9,7 Milliarden ansteigen. Laut der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) ist für die Ernährung dieser Bevölkerung eine Steigerung der landwirtschaftlichen Produktion um 70 % erforderlich.
Eine bloße Erweiterung der aktuellen Produktionstechniken reicht nicht aus, um die zukünftige Nachfrage zu decken, da auch berücksichtigt werden muss, dass die Landwirtschaft der fünftgrößte Energieverbraucher und einer der Hauptverursacher von Treibhausgasemissionen ist.
Intelligente Landwirtschaft ist derzeit ein viel diskutiertes Thema. Neue Technologien werden in der Landwirtschaft und Tierhaltung eingesetzt, um sowohl die Quantität als auch die Qualität der Erträge zu steigern. Zu diesen Technologien zählen GPS, immer intelligentere Sensoren, das Internet der Dinge in der Landwirtschaft (IoTA), Cloud Computing, Automatisierung, autonome Fahrzeuge, künstliche Intelligenz (KI) und maschinelles Lernen (ML). Gemeinsam ermöglichen diese Technologien die Schaffung eines hochoptimierten, integrierten Systems, das zu einem höheren Grad an Autonomie führt.
Ein wichtiger Aspekt der intelligenten Landwirtschaft ist die Präzisionslandwirtschaft. Sie verbessert die Ernteerträge durch automatisierte Produktionsmethoden und wurde erstmals in den 1980er Jahren theoretisch erörtert. John Deere gilt jedoch als erstes Unternehmen, das die Theorie in die Praxis umsetzte, als es 1996 sein GreenStar-Präzisionssystem auf den Markt brachte, das GPS-gestützte Lenkung und automatische Steuerung einführte.
Die Bedeutung von Daten wurde bereits in den Anfängen der Präzisionslandwirtschaft erkannt, und interessanterweise trug die Broschüre von GreenStar den Slogan „Information ist Ihre neue Ernte!“. Die Präzisionslandwirtschaft hat sich seitdem stark weiterentwickelt und gilt heute als grundlegend für die Praxis der intelligenten Landwirtschaft. Diese beinhaltet den Zugriff auf und die Nutzung genauer Echtzeitdaten, um die Qualität und den Ertrag der Ernte zu verbessern, die menschliche Arbeitskraft besser einzusetzen und natürlich die Rentabilität der Agrarindustrie zu steigern.
Mit besseren Daten können Entscheidungen nicht nur schneller und mit größerer Sicherheit getroffen werden, sondern der Entscheidungsprozess kann weitgehend automatisiert werden, was zu sofortigem Handeln führt.
Sensoren
sind der Schlüssel zu höheren Erträgen in der Agronomie, der Wissenschaft von Bodenmanagement und Pflanzenproduktion. Ein grundlegender Indikator für den Gesundheitszustand (und das Wachstumsstadium) einer Pflanze ist beispielsweise ihre Farbe, die auch für das menschliche Auge unsichtbare spektrale Eigenschaften umfasst. Satellitenbilder ermöglichen die Erstellung verschiedener spektraler Indizes. Zu den wichtigsten für die Pflanzenproduktion zählen der Normalized Difference Vegetation Index (NDVI, der Nahinfrarot- [NIR] und Rotlichtanteile vergleicht), der Blattflächenindex (LAI) und der Feuchtigkeitsstressindex (MSI). In den letzten Jahren hat der Einsatz von Multikoptern und Starrflügler-Drohnen mit Standard- und Hyperspektralkameras sowie Wärmesensoren zur Überwachung zugenommen und Satelliten teilweise ersetzt.
Spektrale Eigenschaften können auch ein Indikator für die Bodengesundheit sein, und nützliche Informationen können aus elektrochemischen Sensoren (die den pH-Wert und den Nährstoffgehalt messen) und Gammastrahlungssensoren gewonnen werden.
Kombiniert mit allgemeineren Daten wie Lufttemperatur und Taupunkt, Windgeschwindigkeit und -richtung, relativer Luftfeuchtigkeit, Luftdruck und Sonneneinstrahlung können diese Informationen ein vernetztes landwirtschaftliches Ökosystem ermöglichen.
Anhand von Daten zum Pflanzenzustand lässt sich eine Einsatzkarte erstellen, die detailliert festlegt, wo Ressourcen wie Saatgut, Dünger, Pflanzenschutzmittel und Wasser eingesetzt werden sollen. Zusätzlich können Wettervorhersagen, Ressourcenkosten sowie Kosten und Verfügbarkeit von gegebenenfalls benötigten Maschinen wichtige Entscheidungen über den optimalen Einsatzzeitpunkt dieser Ressourcen unterstützen.
Es ist wichtig, die Ressourcenmengen zu kontrollieren, da diese einen direkten Einfluss auf die Rentabilität der Agrarwirtschaft sowie auf eine Reihe von Umweltfragen haben.
Ausbringungstechnologien
(VRT) bringen Saatgut, Dünger, Wasser und Pflanzenschutzmittel optimal und bedarfsgerecht aus. Grundsätzlich unterscheidet man zwei Arten von VRT: kartenbasierte und sensorbasierte. Kartenbasierte VRT passt die Produktausbringung anhand einer vorab erstellten Feldkarte an. Sensorbasierte VRT hingegen verwendet keine Karte, sondern Sensoren, die Bodeneigenschaften oder Pflanzenmerkmale in Echtzeit messen.
Nehmen wir beispielsweise die Aussaat: Die Aussaatmenge der Maschine passt sich dem Anpressdruck an. Da die Bodenverdichtung, die den Ertrag beeinflusst, nicht auf der Karte abgebildet wird, ist ein System zur Erfassung von Bodenart und -verdichtung direkt an der Maschine erforderlich, um die Bearbeitungstiefe in Echtzeit anzupassen.
Wie bereits erwähnt, ist IoT Ag Teil der intelligenten Landwirtschaft. Drahtlose IoT-Geräte werden in großem Umfang zur Messung von Umweltbedingungen eingesetzt. Da die meisten dieser Geräte den Witterungseinflüssen ausgesetzt sind – auf Feldern, an Landmaschinen und sogar an Nutztieren (zur Tierüberwachung) –, müssen sie robust sein.
Viele Geräte werden zudem batteriebetrieben sein müssen, da sie in abgelegenen Gebieten eingesetzt werden. Obwohl sie die meiste Zeit im Standby-Modus verbringen, wird erwartet, dass die Batterien über ein Jahr halten, bevor sie ausgetauscht werden müssen – oder sogar mehrere Jahre, wenn sie mithilfe von Photovoltaikzellen aufgeladen werden können. Glücklicherweise werden bereits verschiedene stromsparende Mikrocontroller (MCUs) in batteriebetriebenen IoT-Geräten und tragbarer Elektronik verwendet.
Auch die Cybersicherheit muss berücksichtigt werden, da IoT-Ag-Geräte in der Praxis Knotenpunkte im Netzwerk des landwirtschaftlichen Betriebs darstellen. Obwohl die von einem Gerät gesendeten Daten möglicherweise nicht sensibel sind, werden sie an ein Netzwerk gesendet, das wertvolle Informationen enthält und automatisierte Maschinen steuern kann.
KI & ML
Das VRT, unterstützt durch die große Menge gesammelter Daten, verbessert den Automatisierungsgrad, der durch die Führung globaler Navigationssatellitensysteme (GNSS) in Kombination mit automatisierten Technologien wie dem Reihen-/Abschnittsschließen von Sämaschinen und der Spritzgestängesteuerung ermöglicht wurde.
Das größte Potenzial liegt jedoch in der Einbeziehung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in diesem Bereich; und der KI-Markt in der Landwirtschaft wird voraussichtlich von derzeit 1,7 Milliarden US-Dollar im Jahr 2023 auf 4,7 Milliarden US-Dollar im Jahr 2028 wachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von über 23 %.
Wie bereits erwähnt, ist die Echtzeit-Bestimmung der Bodenverdichtung hilfreich. Die Lösung muss jedoch nicht komplexer sein als ein geschlossenes Regelsystem mit Verstärkungsmaßnahmen und einem Verfahren zur Messung von Verformungen oder Verschiebungen. Die Unterscheidung zwischen Kulturpflanzen und Unkraut in Echtzeit, während die Maschinen über das Feld fahren, erfordert ein computergestütztes Bildverarbeitungssystem mit Algorithmen für maschinelles Lernen (ML), das über den Einsatz von Herbiziden entscheidet (siehe Abbildung 2). Und falls es sich um Kulturpflanzen handelt, wie ist ihr Gesundheitszustand? Eingerollte Blätter und Welke sind häufig Anzeichen von Krankheiten. Ein Bildverarbeitungssystem mit ML kann Insektenspuren erkennen und entscheiden, welche Pflanzen Pflanzenschutzmittel benötigen. Es ist jedoch wichtig zu beachten, dass die Entscheidung auch auf anderen Faktoren wie dem Bodenfeuchtegehalt basiert, da die erkannten Symptome nicht spezifisch für eine einzelne Krankheit oder einen einzelnen Befall sein müssen. Wassermangel kann ebenfalls Welke verursachen, daher muss das ML-Modell verschiedene Arten von Eingangsdaten verarbeiten können.
Abbildung 2: Dank GPS kennt der Computer seine Position in Echtzeit und kann anhand einer VRT-Anwendungskarte ungefähr bestimmen, wo die Herbizide ausgebracht werden sollen. Die Erweiterung des Systems um Echtzeitinformationen von Sensoren und Kameras ermöglicht jedoch eine deutlich höhere Genauigkeit.
Wie bereits erwähnt, sind stromsparende Mikrocontroller (MCUs) in IoT-Geräten weit verbreitet und können daher auch in IoT-Agrargeräten eingesetzt werden. Dank Initiativen wie Tiny Machine Learning (tinyML) ist es zudem möglich, KI und ML in einem MCU zu implementieren. Durch die Implementierung von ML-Algorithmen im MCU lassen sich die für viele VRT-Anwendungen erforderlichen Edge-Verarbeitungs- und Entscheidungsfähigkeiten bereitstellen.
Zusammenfassung:
Intelligente Landwirtschaft bedeutet, Daten zu nutzen und effektiv einzusetzen, um Erträge zu steigern. Diese Daten erweisen sich bereits als Grundlage für Verfahren wie die variable Ertragsoptimierung (VRT), die Landwirten helfen, mit weniger Aufwand mehr zu erreichen und einen immer höheren Automatisierungsgrad zu ermöglichen. Die größten Vorteile verspricht jedoch die Integration von KI und ML in das Agrarökosystem, da sie eine Entscheidungsfindung vor Ort und eine optimale Ressourcennutzung ermöglicht.
Über die Autorin:
Nilam Ruparelia leitet bei Microchip die Kommerzialisierungsaktivitäten für KI/ML im Spitzentechnologiebereich sowie für die Märkte 5G und Kommunikation. Ruparelia blickt auf über 30 Jahre Erfahrung in der Halbleiterindustrie zurück und war in verschiedenen Funktionen für führende Unternehmen in den Bereichen Mikrocontroller (MCUs), FPGAs und Kommunikationsprodukte tätig. Sie hat einen Bachelor-Abschluss in Ingenieurwesen mit Schwerpunkt Elektronik und Kommunikation vom LD College of Engineering der Universität Gujarat, Indien.
