Digitales Ökosystem für Innovationen in der Landwirtschaft

Der Klimawandel bedroht die Landwirtschaft, und die Landwirtschaft kann eine wesentliche Rolle bei der Milderung und Anpassung an den Klimawandel spielen, indem sie die landwirtschaftliche Effizienz steigert und den Energiesektor durch die Schaffung von Platz für nachhaltige erneuerbare Bioenergiepflanzen grüner gestaltet. Entsprechende Bemühungen um Klimaschutz und Klimawandelanpassung mit Schwerpunkt auf der Landwirtschaft müssen auf einer transdisziplinären Zusammenarbeit beruhen, was oft nicht einfach ist und das Verlassen der eigenen Komfortzone erfordert. Es gibt jedoch viele Instrumente, die eine solche Zusammenarbeit erleichtern können, insbesondere für diejenigen, die keine Modellierer sind oder sich auf einen spezifischen Aspekt des Klimawandels und der Landwirtschaft konzentrieren. Dieses Kapitel fasst solche Instrumente und deren Anwendung zur Beschleunigung der transdisziplinären Zusammenarbeit für eine nachhaltigere und klimaresilientere Landwirtschaft zusammen.

Der Einsatz von Computer-Vision-Techniken basierend auf Machine-Learning(ML)- und Deep-Learning(DL)-Algorithmen hat zugenommen, um die landwirtschaftliche Produktion auf kosteneffiziente Weise zu verbessern. Forscher haben ML- und DL-Techniken für verschiedene landwirtschaftliche Anwendungen wie die Klassifizierung von Nutzpflanzen, die automatische Ernte von Nutzpflanzen, Schädlings- und Krankheitserkennung bei Pflanzen, Unkrauterkennung, die Einstufung der Landbedeckung, die Erstellung von Bodenprofilen und das Tierwohl eingesetzt. In diesem Kapitel werden die Anwendungen dieser Algorithmen im Pflanzenanbau, beispielsweise Ertragsprognose, Krankheits- und Schädlingserkennung sowie Unkrauterkennung, zusammengefasst und analysiert. Die Studie stellt Vor- und Nachteile verschiedener ML- und DL-Modelle dar. Probleme und Herausforderungen, die bei der Anwendung der ML- und DL-Algorithmen Pflanzenanbau auftreten, werden diskutiert. Darüber hinaus werden auch die verfügbaren landwirtschaftlichen Datenquellen, Datenverarbeitungstechniken, ML-Algorithmen und DL-Modelle, die von Forschern eingesetzt werden, sowie die zur Messung der Leistung der Modelle verwendeten Metriken erörtert.

Satelliten, Drohnen und Bodensensoren sind zur Bereitstellung von Daten für das digitale Ökosystem für landwirtschaftliche Innovationen unerlässlich. Normalerweise werden alle drei Arten der Datenerfassung isoliert durchgeführt; sie sollten jedoch koordiniert werden, um die Stärken der Fernerkundung zu nutzen. Beispielsweise ist es zwingend erforderlich, ein Klassifizierungsmodell unter Verwendung von Fernerkundungs- und Bodendaten zu erstellen. Der derzeitige Ansatz besteht darin, dass die Feldarbeiter zu einem bestimmten Zeitpunkt Daten mithilfe von Mobiltelefonen erfassen. Eine effizientere Methode wäre jedoch die Verwendung eines Bodensensors, der kontinuierlich Echtdaten liefert. Durch regelmäßiges Training des ML-Modells wird eine zeitabhängige digitale Pflanzensignatur vor Ort erzeugt. Dies wird sich erheblich auf die Klassifizierung von Nutzpflanzen und die Ertragsschätzung auswirken. In diesem Kapitel wird eine Referenzarchitektur für die Orchestrierungsplattform beurteilt, die einen Mechanismus zur Koordinierung von durch Bodensensoren, Drohnen und Fernerkundungssatelliten erfassten Daten bietet. Anhand verschiedener Anwendungsfälle wird der sich daraus ergebende Nutzen für den Ackerbau geprüft.

Satelliten liefern Zeitreihendaten in Form von Multispektralaufnahmen, die Merkmale der Landoberfläche über mehrere Quadratkilometer abbilden, während unbemannte Fluggeräte (Drohnen) multispektrale Aufnahmen mit sehr hoher Auflösung über einige hundert Quadratmeter liefern. Im Gegensatz dazu liefern kostengünstige Sensoren und Internet-of-Things-Sensoren genaue Raum- und Zeitreihendaten von Land- und Bodeneigenschaften über einige Meter. In der Praxis wird jedoch jede dieser Datenquellen separat genutzt, obwohl es Möglichkeiten zur Optimierung der landwirtschaftlichen Ressourcen und zur Verbesserung der Qualität von Satelliten- und Drohnendaten durch Ausschöpfung ihrer Komplementarität gibt. In diesem Kapitel stellen wir ein algorithmisches Framework vor, das die Synergien zwischen den drei Datenquellen zur Erstellung einer hochdimensionalen nutzt, um eine hochdimensionale Farm Map zu erstellen. Wir skizzieren, wie dieses Framework bei der Erstellung einer Farm Map im Zusammenhang mit dem Monitoring von Pflanzenkulturen helfen kann.

Präzisionslandwirtschaft und Smart Farming werden bald die herkömmlichen Methoden in der Landwirtschaft ersetzen; diese Technologien sind in der Lage, die Produktivität von Pflanzenkulturen zu erhöhen und gleichzeitig die Inputs zu optimieren sowie Umweltressourcen zu erhalten. Die Eignung von Satellitendaten in der Präzisionslandwirtschaft wurde durch mehrere Projekte und Forschungsaktivitäten in ganz Indien unter Beweis gestellt. In den letzten zehn Jahren hat die Nutzung satellitengestützter Fernerkundungsdaten zur Kartierung und Überwachung von Nutzpflanzen rapide zugenommen. Diese Entwicklung kann mindestens drei Faktoren zugeschrieben werden: Verfügbarkeit frei zugänglicher Fernerkundungsdaten, fortgeschrittene ML-Methoden und Zugang zu Cloud-Computing-Plattformen, die die Speicherung und Verarbeitung von Big Data bewältigen können. In diesem Kapitel empfehlen wir global skalierbare und lokal anpassbare Lösungen für die Landwirtschaft, die dem Monitoring von Nutzpflanzen in größerem Maßstab dienen können. Dabei konzentrieren wir uns auf die Nutzung von hochaufgelösten Open-Source-Satellitendaten (in Bezug auf spektrale, räumliche und zeitliche Auflösung); Cloud-basierte Open-Source-Plattformen und Big-Data-Algorithmen, die die Landwirtschaft reformieren. Es werden verfügbare Open-Source-Satellitendaten und -Plattformen mit Anwendungsfällen im Detail beschrieben. Wir diskutieren anhand einer Fallstudie über Weizenanbau im Bezirk Samastipur, Bihar, Indien, ausführlich die Methodik zur Entwicklung eines Crop-Monitoring-Systems mit Google Earth Engine, das global skaliert und lokal angepasst werden kann.

Ein praktischer Wissensmanagement(KM)-Prozess kann fortlaufend Innovationen zur Entwicklung der Landwirtschaft und ihrer verwandten Bereiche auslösen. Er kann auch dazu beitragen, das Leben der Landbevölkerung in Entwicklungsländern wie Indien zu verbessern. Allerdings sind in der Literatur nur wenige Informationen über landwirtschaftliche KM-Prozesse und das für ihre Umsetzung erforderliche Ökosystem verfügbar. In diesem Kapitel wird versucht, ein theoretisches Framework zum Verständnis des KM-Prozesses am Beispiel einer indischen Milchgenossenschaft zu entwickeln. Darüber hinaus werden die systemischen Faktoren diskutiert, die den KM-Prozess in einer landwirtschaftsbasierten Organisation antreiben. Das vorgeschlagene Framework könnte von jeder landwirtschaftlichen Organisation unabhängig von Größe, Standort und wirtschaftlichem Hintergrund genutzt werden. Diese Struktur könnte Wissensmanagementinitiativen landwirtschaftlicher Organisationen lenken, indem sie verschiedene Ökosystemkomponenten für Verbesserungen bei Handhabung und Nutzung erschließt.

Eine nachhaltige landwirtschaftliche Produktion zur Unterstützung der Ernährungssicherheit ist eines der Hauptziele der Agenda 2030 für globale nachhaltige Entwicklungsziele (SDG). Technologische Fortschritte und neue Informationsquellen spielen eine entscheidende Rolle dabei, die Landwirtschaft bei der Erreichung der SDG und der Steigerung der Produktionsfähigkeiten zur Deckung der steigenden Lebensmittelnachfrage zu unterstützen. Die Bruttoprimärproduktion (GPP) und die Transpiration (T) von Nutzpflanzen sind die größten Kohlenstoff- und Wasserflüsse in Agrarökosystemen. GPP-Daten werden zur Einschätzung des Ernteertrags verwendet, einer wichtigen Kennzahl für die Widerstandsfähigkeit der Landwirtschaft und die Ernährungssicherheit. Auf Landflächen ist T die größte Komponente der Evapotranspiration und macht mehr als 60 % des in die Atmosphäre zurückfließenden Niederschlagswassers aus. T wird verwendet, um den Wasserverbrauch darzustellen und die Bewässerung von Ackerland zu verbessern, wodurch die Produktionskosten gesenkt und ein nachhaltiger Anbau unterstützt werden können. In diesem Kapitel überprüfen wir die neuesten wissenschaftlichen Ansätze zur Ermittlung von GPP und T, einschließlich In-situ- und Fernerkundungsmethoden, und konzentrieren uns dabei auf die biophysikalischen Grundlagen der wichtigsten verfügbaren Techniken. Darüber hinaus ist es angesichts der Verbindung zwischen GPP und T durch das Verhalten der Stomata möglich, die Berechnung beider Variablen zu vereinfachen, indem gemeinsame biophysikalische Parameter (d. h. minimale Stomataleitfähigkeit) geschätzt werden, die den Wasserverlust und die Kohlenstoffaufnahme der Vegetation beeinflussen. Wir heben innovative Ansätze hervor, die die Berechnung beider Variablen auf der Grundlage dieser Beziehung verbessern, und überprüfen das Ausmaß und die Grenzen der Algorithmen, die in einigen der beliebtesten Satellitenprodukte wie dem globalen Evapotranspirationsprodukt (MOD16) des Moderate Resolution Imaging Spectroradiometer (MODIS) und EcoStress verwendet werden. Darüber hinaus untersucht und beschreibt dieses Kapitel das Potenzial der Verwendung von Daten zur solarinduzierten Fluoreszenz (SIF) zur Berechnung von landwirtschaftlicher GPP und T. Angesichts der Bedeutung bestimmter Variablen in der Landwirtschafts- und Forstmeteorologie enthält dieses Kapitel auch einen Abschnitt, in dem die wichtigsten Umrechnungsfaktoren zur Berechnung von Energie-, Kohlenstoff- und Wasserkreisläufen vorgestellt werden.

Virtuelle Pflanzen (VP) sind computergestützte dreidimensionale (3D) Modelle von Pflanzen oder Bäumen. Ein Ansatz zur Erstellung von VP sind sogenannte funktionell-strukturelle Pflanzenmodelle (FSPM), die dazu dienen, eine genaue Pflanzenform und -architektur zu modellieren und sie mit physiologischen Prozessen zu verbinden. Statische oder dynamische FSPM sind etablierte Verfahren, die als vielseitige Werkzeuge zur Vorhersage von Wachstumsmustern von Pflanzenkulturen in Reaktion auf Veränderungen in den Umweltbedingungen dienen. Mit VP kann das Wachstum von Pflanzenkulturen im Vergleich zur natürlichen, bis zu einigen Monaten oder länger dauernden Wachstumsperiode schnell simuliert (in silico) werden. Nutzpflanzenforscher und Züchter verwenden In-silico-Verfahren als Alternative zu zeitaufwendigen, arbeitsintensiven tatsächlichen Anbauversuchen, um das gezielte Wachstum von Nutzpflanzen in spezifischen Umgebungen zu erforschen und wesentliche Attribute schnell zu quantifizieren. Dies erleichtert die Beschleunigung der selektiven Pflanzenzüchtung, eine vielversprechende Strategie zur Bewältigung der bevorstehenden Herausforderung der Ernährungssicherheit. Bei der Modellierung von VP bestehen die ersten Schritte in der Auswahl der zu untersuchenden Nutzpflanze und der zu untersuchenden Merkmale, der Einrichtung eines Feldexperiments, der Erhebung zeitlicher Daten zum Pflanzenwachstum, der Durchführung einer statistischen Analyse dieser Daten zur Erforschung der Zusammenhänge zwischen verschiedenen Parametern sowie der mathematischen Modellierung zur Festlegung der Wachstumsregeln für diese Pflanzenparameter. Schließlich wird die Computersimulation von FSPM verwendet, um die zu untersuchende Nutzpflanze auf der Ebene des einzelnen Standorts oder des Blattwerks zu visualisieren. Nach Erhalt des Outputs können Forscher dieses Modell parametrisieren, um verschiedene Testszenarien zu generieren. Eine eingehende Analyse dieser Testfälle bietet eine ideale Methode zur Bewertung der Performance der resultierenden Testzucht in Bezug auf Wachstumszeit, Ertrag, Widerstandsfähigkeit gegen biotischen und abiotischen Stress usw., je nach Anwendung. Dieses Verfahren kann die bestehende Forschung zur Hochleistungspflanzenphänotypisierung durch die Erzeugung synthetischer Datensätze zur Behebung der Unausgewogenheiten in den bestehenden realen Pflanzenphänotypisierungsdatensätzen möglicherweise beschleunigen und erweitern; seine Anwendung weist jedoch einige Herausforderungen auf. In diesem Kapitel werden das Konzept der VP-Modellierung, seine Anwendungen und einige Herausforderungen bei seiner Anwendung behandelt.

Phytomasse und Bodenkohlenstoffvorräte sind die beiden größten Pools, die direkt von anthropogenen Aktivitäten beeinflusst werden und eine große räumliche Heterogenität aufweisen. Obstgärten und Plantagenkulturen tragen erheblich zu terrestrischen Kohlenstoffvorräten bei, haben jedoch bisher nicht genügend Aufmerksamkeit erhalten. Die Fernerkundung mit der Fähigkeit zur Unterscheidung der Vegetation und zum Monitoring ist entscheidend für die Beschreibung der räumlichen Variabilität von Kohlenstoffpools. Die natürlichen Wälder Indiens wurden durch den großflächigen kommerziellen und gärtnerischen Anbau erheblich gestört, was wesentlich zu der vom Forest Survey of India (FSI) geschätzten Wald- und Baumfläche von derzeit 81 Mio. ha beiträgt. In der vorliegenden Studie wurde Anbaufläche von Mango und Kautschuk in zwei gegensätzlichen Regionen ermittelt, nämlich in den Distrikten Malihabad (Uttar Pradesh) und West Tripura (Tripura). Wir verwendeten Sentinel-2-Daten und maschinelles Lernen zur Diskriminierung der Zielbaumarten. Ein auf mehreren Sensoren basierendes geophysikalisches Produkt der Biomasse wurde für die oberirdische Biomasse (AGB) analysiert. Raumgestützte Lidar-Daten vom GEDI-Sensor wurden analysiert, um die Baumhöhe zu beschreiben. Zusätzlich wurde eine Charakterisierung der Baumdichte durch das Zählen von Baumkronen auf hochauflösenden Bildern vorgenommen. Die Ergebnisse für Phytomasse und Bodenpools sind mit öffentlich zugänglichen Schätzungen unter ähnlichen agroklimatischen Bedingungen vergleichbar. Das hier dargelegte Verfahren der gleichzeitigen hochauflösenden Kartierung von Phytomasse und Boden mithilfe geospatialer Techniken verbessert erheblich die Möglichkeiten von Monitoring und Modellierung terrestrischer Kohlenstoffpools in Indien erheblich.

Genaue Ertragsprognosen sind für jede Regierung zur Entwicklung und Umsetzung von Agrarpolitik erforderlich. In der Regel werden Fernerkundungsaufnahmen für die Prognosen verwendet. Bei der Prognoseerstellung handelt es sich um eine komplexe Aufgabe, die von vielen Parametern wie Wetter, Boden und landwirtschaftlichen Praktiken abhängt. Die Zusammenführung mit zusätzlichen Informationen kann die Prognose verbessern. Daher wird in diesem Kapitel der Einfluss von Vegetationsindizes auf die Ertragsprognose von Weizen anhand von Satellitenaufnahmen untersucht. Dazu wird ein konvolutionales neuronales Netzwerk zur Extraktion der räumlichen Merkmale genutzt, die dann in das Long Short-Term Memory eingespeist werden, um die zeitlichen Informationen abzuleiten. Sie werden anschließend in ein vollständig vernetztes Netzwerk eingespeist, um den Ertrag vorherzusagen. Das Kapitel zeigt auf, dass das Hinzufügen von Informationen über Vegetationsindizes die Ertragsprognose verbessert.

Für jede Nutzpflanze gibt es unterschiedliche Anbaupraktiken mit verschiedenen Phasen, einschließlich Saatgutbehandlung, Bodenbearbeitung, Bodenvorbereitung, Aussaat, Bewässerung, Düngung usw. Die Bewässerung ist eine sehr wichtige Phase des Pflanzenanbaus. Bewässerungsplanung, Wassermanagement, Ernteprognose und ein pflanzenspezifischer Wasserbedarf (CWR) sind heutzutage für verschiedene unter Bewässerung angebaute Pflanzenkulturen äußerst wichtig, insbesondere in ariden und semiariden Regionen. Die vorliegende Studie wird eine effiziente Wassernutzung und bessere Bewässerungspraxis ermöglichen, da die Wasserversorgung durch Niederschläge in einigen Regionen begrenzt ist. Beim Anbau von Nutzpflanzen ist die Bewässerungsplanung ein entscheidender Faktor, um einen optimalen Zustand der Bodenfeuchte für das Wachstum und die Entwicklung der Pflanzen sowie ein Optimum bei Ertrag, Wassernutzungseffizienz und Wirtschaftlichkeit zu gewährleisten. In Indien beruhen operative CWR-Methoden hauptsächlich auf spärlichen In-situ-Messungen und hochauflösenden Fernerkundungsdaten, was sich limitierend auf die Gesamtgenauigkeit auswirkt. Zur Bewältigung der genannten Herausforderung wurden in dieser Studie Deep-Learning-Architektur und Bodenfeuchteverfahren verwendet, um die Grenzen landwirtschaftlicher Betriebe hoch aufzulösen, Kulturpflanzen zu kartieren und mit Bodenfeuchtedaten auf Parzellenebene zu kombinieren. Anschließend wurden mithilfe unserer firmeneigenen Algorithmen der betriebsspezifische CWR ermittelt. Für die meisten Betriebe wurde ein direkter positiver Zusammenhang zwischen der Anbauperiode der Nutzpflanzen und ihres jeweiligen CWR beobachtet. Das Modul zur Bewässerungsplanung der von Agrogate entwickelten Plattform wird derzeit in vielen Bundesstaaten von verschiedenen Stakeholdern für ein ordnungsgemäßes Management von Wasserressourcen genutzt.

Die Lebensmittelproduktion ist für etwa 20–30 % der anthropogenen Treibhausgasemissionen verantwortlich, wobei der Agrarsektor zur dominierenden Quelle dieser Emissionen wird. Landnutzungsinformationen sind wichtig für das Agrarmanagement; die Informationen darüber können durch hyperspektrale (HyS) Fernerkundung („remote sensing“, RS) gewonnen werden. Die hohe spektrale Information aus hyperspektralen Sensoren kann bei der Unterscheidung verschiedener Landnutzungs-Landbedeckungs(LU/LC)-Klassen helfen. Bei LU/LC soll der Fokus auf die Klassifizierung von eng verwandten Klassen gelegt werden, was nur mit HyS RS möglich ist. Dies erfordert die Entwicklung spezifischer Algorithmen. In diesem Kapitel wird ein Überblick über aktuelle Algorithmen zur Verarbeitung von HyS-Datensätzen gegeben. Dies beinhaltet die Validierung verschiedener Atmosphärenkorrektur(AC)-Modelle, Dimensionsreduktions(DR)-Verfahren und Klassifizierungsmethoden. Die Ergebnisse zeigen, dass das FLAASH absolute AC model eine größere Ähnlichkeit mit den Bodenspektren aufweist, mit einer höheren Korrelation für die Klassen Landwirtschaft und bebaute Gebiete. Die Klassifizierung erfolgt mit sieben Pixel-für-Pixel-Klassifikatoren und einem Ensemble-Klassifikator. Support Vector Machine (SVM) und Ensemble-Klassifikatoren haben für sowohl Hyperion- als auch AVIRIS-NG-HyS-Aufnahmen eine höhere Genauigkeit gezeigt, mit einem Genauigkeitsgrad zwischen 90 und 95 %. Dementsprechend erleichtern die Fallstudien zur Abgrenzung von LU/LC unter verschiedenen Szenarien eine machbare und brauchbare  Gesamtkohlenstoffsequestrierung.

Der Klimawandel und das Bevölkerungswachstum sind große Herausforderungen im globalen Agrarszenario. Hochwertige Pflanzengenotypen sind unerlässlich, um diesen Herausforderungen zu begegnen. In der Pflanzenzüchtung ist die Messung phänotypischer Merkmale notwendig, um verbesserte Pflanzensorten zu entwickeln. Pflanzenphänotypisierung bezieht sich auf das Studium der morphologischen und physiologischen Eigenschaften der Pflanze. Pflanzenphänotypische Merkmale wie die Anzahl der Ähren/Rispen bei Getreidepflanzen und die Quantifizierung der Seneszenz spielen eine wichtige Rolle bei der Beurteilung der funktionellen Pflanzenbiologie, Wachstumsanalyse und der Nettoprimärproduktion. Allerdings ist die herkömmliche Pflanzenphänotypisierung zeitaufwendig, arbeitsintensiv und fehleranfällig. Computervision-basierte Verfahren haben sich in den letzten zwei Jahrzehnten zu effizienten Methoden für die nichtinvasive und zerstörungsfreie Pflanzenphänotypisierung entwickelt. Daher werden zur Hochdurchsatz- und zerstörungsfreien Messung dieser Merkmale Computervision-basierte Verfahren empfohlen. Zur Erkennung und Zählung der Anzahl von Ähren aus visuellen Bildern von Weizenpflanzen wurde ein auf Deep Learning basierendes Encoder-Decoder-Netzwerk entwickelt. Präzision, Genauigkeit und Robustheit (F₁-Score) des Ansatzes für die Erkennung von Ähren liegen bei 98,97 %, 98,07 % bzw. 98,97 %. Für die Zählung von Ähren betragen die durchschnittliche Präzision, Genauigkeit und Robustheit  jeweils 98 %, 93 % und 97 %. Diese Performance zeigt, dass der auf dem Encoder-Decoder-Netzwerk basierende Ansatz effektiv und robust für die Ährenerkennung und -zählung ist. Für die Quantifizierung der Seneszenz wird ein auf maschinellem Lernen basierender Ansatz vorgeschlagen, der die Weizenpflanze in verschiedene Seneszenz- und Greenness-Klassen segmentiert. Die sechs auf maschinellem Lernen basierende Klassifikatoren Entscheidungsbaum, Random Forest, k-nearest Neighbor, Gradient Boosting, Naive Bayes und künstliches neuronales Netzwerk (ANN) wurden trainiert, um den Seneszenzanteil von Weizenpflanzen zu segmentieren. Alle Klassifikatoren haben gut abgeschnitten, ANN zeigte mit 97,28 % die höchste Genauigkeit. Nach der Seneszenzsegmentierung wird auch der Prozentsatz der Seneszenzfläche berechnet. Eine GUI-basierte Desktopanwendung, m – Senescencica, wurde entwickelt, die die Input-Aufnahmen verarbeitet und Outputs für den Seneszenzprozentsatz, die Pflanzenhöhe und die Pflanzenfläche erzeugt.