Wann sollte ich mit der Ausbringung von variablem Dünger beginnen und wo? Haben meine südlichen Felder ein Problem mit Schädlingen oder Krankheiten?

Werden Pflanzverzögerungen aufgrund starker Regenfälle die regionalen Ernteerträge verringern? Was ist mit dem heißen und trockenen Sommer aufgrund von El Niño? Welche Felder müssen aufgrund von Erntestress wie Frost, Hitze oder Trockenheit gemäht werden?

Digitale Technologien können verwendet werden, um Produktionsausfälle mit Echtzeitdaten zu mindern und vorherzusagen. Sie können für Managementeingriffe wie Düngung, Schädlingsbekämpfung, Stresserkennung, Bewässerungsmanagement und Unkrautbekämpfung verwendet werden, bevor sie sich negativ auf die Pflanzenproduktivität auswirken. Genaue Informationen über die räumliche Verteilung und Wachstumsdynamik des Anbaus sind für die Bewertung potenzieller Risiken für die Ernährungssicherheit unerlässlich und auch für die Bewertung der Markttrends auf regionaler, nationaler und sogar globaler Ebene von entscheidender Bedeutung.

Dr. Andries Potgieter, außerordentlicher Professor an der University of Queensland, Forschungsstipendiat der Queensland Alliance for Agriculture and Food Innovation, ist der Hauptautor eines neuen Artikels, der in veröffentlicht wurde in silico Pflanzen, die Bewertungen Was ist neu und was kommt als nächstes in der Welt der digitalen Technologien für Pflanzen?. Laut Potgieter „hebt dieses Papier die Fortschritte hervor, die in den Bereichen Erdbeobachtung, maschinelles Lernen und Cloud-Computing-Technologien insbesondere in den letzten 5 Jahren erzielt wurden. Darüber hinaus wird die Verschmelzung solcher Technologien mit zielgerichteten wissensbasierten biophysikalischen Systemen diskutiert, die zu innovativeren Anwendungen in der Landwirtschaft führen werden. Solche integrierten prädiktiven physikalischen Systeme haben das Potenzial, die Auswirkungen von Klimaextremen und Veränderungen auf landwirtschaftliche Produktionssysteme abzuschwächen. Insbesondere in Australien, wo die prognostizierten Auswirkungen des zukünftigen Klimas auf die Lebensmittelproduktion von größerer Bedeutung für die Nachhaltigkeit und Widerstandsfähigkeit der Industrie sind, um damit fertig zu werden.“

Die Autoren besprechen zunächst Technologien der Fernerkundung und der Näherungswahrnehmung. Derzeit befinden sich mehr als 140 Erdbeobachtungssatelliten (EO) im Orbit, die Sensoren tragen, die sichtbare, infrarote und Mikrowellenbereiche des elektromagnetischen Spektrums der Landvegetation messen. Fernerkundung ermöglicht die Überwachung von Feldfrüchten auf großen Flächen über einen längeren Zeitraum und mit präzisen wiederholten Daten. Diese Daten können (unter anderem) verwendet werden, um zwischen verschiedenen Kulturarten (z. B. Weizen, Gerste, Kichererbsen und Raps) zu unterscheiden und die Anbaufläche auf regionaler und Landschaftsebene zu quantifizieren.

Jüngste Fortschritte in der Sensortechnologie haben zu einem raschen Anstieg des Einsatzes von Drohnen oder unbemannten Luftfahrzeugen (UAV) geführt, die Nahsensoren tragen. Diese Sensoren werden auf Feldebene eingesetzt und haben eine höhere räumliche und zeitliche Auflösung als entfernte EO-Sensoren. Diese Daten können verwendet werden, um den Pflanzentyp und die Pflanzenkrone zu überwachen und die strukturellen und biophysikalischen Parameter der Pflanzenkrone (z. B. Blattflächenindex, Transpiration, photosynthetische Pigmente) zu quantifizieren. Informationen von beiden Plattformen können sein integriert für feinstufigere Pflanzenklassifikationen.

Das Papier stellt Studien vor, die Fernerkundung und UAVs zusammen mit den zu bewertenden Pflanzen, Sensoren und Algorithmen verwenden. Außerdem werden die Vor- und Nachteile sowie die Anwendungen für die in der Landwirtschaft üblichen Sensortypen und Sensorplattformen beschrieben.

Nachdem die Daten gesammelt wurden, werden Algorithmen verwendet, um die Fernerkundungsdaten zu klassifizieren. Traditionell werden wissensbasierte Ansätze explizit von Experten unter Verwendung theoriebasierter Gleichungen entwickelt. Der Fortschritt in der Rechenleistung (z. B. Cloud-Computing und hochauflösende Bilder) hat zur Entwicklung von maschinellem Lernen und komplexeren Deep-Learning-Ansätzen geführt. Maschinelles Lernen erstellt Modelle direkt aus Daten, ohne sich auf vorgegebene Gleichungen zu verlassen. Zu den Stärken des maschinellen Lernens gehört die Fähigkeit, mit Daten hoher Dimensionalität umzugehen und Klassen mit sehr komplexen Eigenschaften abzubilden. Die Autoren geben konkrete Beispiele für verschiedene Machine-Learning- und Deep-Learning-Techniken.

Pflanzenmodelle liefern die Vorhersagekraft von Fernerkundungsdaten. Pflanzenmodelle ermöglichen Vorhersagen von Ertrag und phänologischen Entwicklungsstadien sowohl für aktuelle als auch für prognostizierte Klimaszenarien. Die Kombination von Echtzeit-RS-Daten mit Pflanzenmodellen kann Echtzeitinformationen über Pflanzenwachstum und -entwicklung liefern und Phänologie und Ertrag vorhersagen. Die daraus resultierenden Werkzeuge sind wichtiger denn je, da Klimaschwankungen und -veränderungen einen zunehmenden Einfluss auf die Pflanzenproduktion und Ernährungssicherheit haben.

Informationsdienste, die auf Fernerkundungsdaten basieren, sind nun über kommerzielle Plattformen der Öffentlichkeit zugänglich. Das Papier enthält Beispiele für diese Plattformen und die Informationen, die sie bereitstellen.

Wie sieht die Zukunft digitaler Technologien in der Landwirtschaft aus?

Pflanzenwachstum und -entwicklung sind hauptsächlich eine Funktion der Wechselwirkungen zwischen Genotyp, Umwelt und Bewirtschaftung (G × E × M). Daher sind diese Wechselwirkungen der Schlüssel, um weitere Gewinne bei den globalen Ernteerträgen zu realisieren und die zukünftige Ernährungssicherheit zu gewährleisten. Die Umgebung kann nicht verändert werden, aber es können verschiedene Sorten (Genotypen) mit angepassten Managementpraktiken (z. B. Aussaatdaten, Reihenabstände, Saatdichte) gepflanzt werden, die auf die Umgebung und das zukünftige Klima zugeschnitten sind.

Landwirte wissen, dass nicht alle Felder gleich sind: Einige produzieren immer mehr, andere immer weniger, während andere Felder in ihrer Produktionskapazität von einem Jahr zum anderen variieren. „Die Planung für eine durchschnittliche Jahreszeit ist nicht sinnvoll, da keine Niederschlagssaison in einem bestimmten Jahr auf einem Betrieb gleich ist“, sagte Dr. Potgieter. Darüber hinaus ist die Fähigkeit, fundierte Entscheidungen aus regionalen Ertragsschätzungen zu treffen, durch diese Variabilität in G × E × M auf lokaler Ebene eingeschränkt.

Bislang waren Technologien und integrative Ansätze nur bedingt geeignet, alle Dimensionen der verfügbaren Zieldaten effektiv zu nutzen, um höhere Genauigkeiten in der Pflanzenphänologie oder der Schätzung von Pflanzenarten zu erzielen. A/Prof Potgieter leitet derzeit ein nationales Projekt (gefördert von der Grains Research and Development Corporation und der University of Queensland), das neue Wege in der Anwendung und/oder Entwicklung neuartiger integrativer Metriken erforscht, um dieses komplexe Problem effektiv zu lösen. Konkret zielen wir darauf ab, alle Dimensionen – zeitliche, räumliche, spektrale und physiologische – der verfügbaren Zieldaten zu nutzen, um höhere Genauigkeiten in der Pflanzenphänologie oder der Schätzung von Pflanzenarten zu erreichen. „Dies wird zu einer integrierten Lösung führen, die die präzise Entwicklung, Validierung und Skalierbarkeit von Vorhersageinstrumenten für die phänologische Kartierung von Nutzpflanzen (G) auf Feldebene (M) und über große Anbauflächen (E) hinweg ermöglicht. Durch die enge Zusammenarbeit mit Industriepartnern im digitalen Bereich sollen Landwirte frühzeitig Zugang zu diesen digitalen Werkzeugen erhalten, die sie bei fundierteren, auf die einzelnen Felder abgestimmten Entscheidungen (G × E × M) unterstützen. Dadurch werden die Betriebskosten gesenkt, das Risikomanagement optimiert und die Rentabilität des gesamten Betriebs verbessert“, so Dr. Potgieter.