Künstliche Intelligenz (KI) in der Landwirtschaft

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu zeigen (Definition der Europäischen Kommission, 2018). KI ist sowohl Wissenschaft als auch Ingenieurwesen. Sie ist Wissenschaft, weil sie theoretisch untersucht, wie ein „künstliches Denken” funktionieren könnte. Sie ist Ingenieurwesen, weil Maschinen oder Programme gebaut werden, die diese Fähigkeiten konkret umsetzen. Das Hauptziel der KI ist es, Algorithmen, Modelle und Systeme zu entwickeln, die es Maschinen ermöglichen, aus Daten zu lernen, Schlussfolgerungen zu ziehen, Entscheidungen zu treffen und Probleme selbstständig zu lösen, so wie es ein Mensch tun würde. 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 Ingenieurwesen.

Machine Learning und Deep Learning

Machine Learning und Deep Learning sind zwei Technologien der künstlichen Intelligenz, die zunehmend Einzug in die tägliche Arbeit von Landwirten und Feldtechnikern halten – als praktische Werkzeuge für bessere Entscheidungen. Machine Learning lässt sich beschreiben als die Fähigkeit eines Systems, „aus Erfahrung zu lernen”. In der Praxis werden dem Modell große Mengen historischer Daten zur Verfügung gestellt: Wetterdaten, Produktionsdaten, Bodenanalysen, Pflanzenbilder, agronomische Maßnahmen und deren Ergebnisse. Durch die Analyse dieser Daten erkennt der Algorithmus automatisch wiederkehrende Zusammenhänge, sogenannte Muster (Patterns), und nutzt sie, um Vorhersagen zu treffen oder Maßnahmen vorzuschlagen. In der Landwirtschaft bedeutet dies zum Beispiel, den erwarteten Ertrag zu schätzen, ein Trockenstressrisiko vorherzusagen oder Bedingungen zu erkennen, die die Entwicklung einer Krankheit begünstigen – auf Basis realer Umwelt- und Anbaudaten. Deep Learning ist eine Teilmenge des Machine Learning, die besonders leistungsfähig ist, wenn mit komplexen Daten wie Bildern, Signalen oder sehr detaillierten Zeitreihen gearbeitet wird. Seine Stärke liegt in der Verwendung „tiefer” neuronaler Netze, die von der Funktionsweise des menschlichen Gehirns inspiriert sind und automatisch die relevantesten Informationen aus Rohdaten extrahieren können. Im landwirtschaftlichen Kontext ermöglicht Deep Learning zum Beispiel, eine Blattkrankheit anhand eines im Feld aufgenommenen Fotos zu erkennen, Unkraut von der Kultur zu unterscheiden, die Kronenstruktur einer Pflanze zu analysieren oder den Vitalitätszustand anhand von Satelliten- oder Drohnenbildern zu bewerten.

Abb.2: Machine Learning und Deep Learning.

Der praktische Unterschied zwischen den beiden Ansätzen besteht darin, dass Machine Learning sehr gut funktioniert, wenn die Schlüsselvariablen bereits bekannt und messbar sind, wie phänologische Daten, Ertrag oder Wetterbedingungen. Deep Learning hingegen wird unverzichtbar, wenn die Information nicht unmittelbar numerisch ist, sondern interpretiert werden muss, wie es bei Luftbildern der Fall ist. In den fortschrittlichsten landwirtschaftlichen Anwendungen werden die beiden Technologien häufig kombiniert: Deep Learning extrahiert Informationen aus Bildern oder Sensoren, und Machine Learning integriert sie mit Wetter-, Boden- und Bewirtschaftungsdaten, 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 angewendet und korrekt in die betrieblichen Entscheidungsprozesse integriert wird. Der Nutzen von Machine-Learning- und Deep-Learning-Techniken liegt darin, den Landwirt zu unterstützen in einem zunehmend komplexen und unvorhersehbaren Kontext, der von Klimavariabilität, steigenden Produktionskosten, wachsendem regulatorischem Druck und der Notwendigkeit, die Umweltbelastung zu reduzieren, geprägt ist. Dank betrieblicher Wetterstationen, Satelliten- und Drohnenbildern sowie feld- oder traktormontierter Sensoren verfügt die Landwirtschaft heute über eine große Menge an Daten. Diese Daten müssen für den Landwirt in Informationen umgewandelt werden, um ihn dabei zu unterstützen, fundierte, valide Entscheidungen zu treffen. Einer der entscheidenden Punkte der modernen Landwirtschaft ist die Notwendigkeit, rechtzeitig zu handeln, um Qualität und Menge des Endprodukts zu gewährleisten. Künstliche Intelligenz ermöglicht es, Daten aus verschiedenen Quellen zu analysieren und in operative Hinweise umzuwandeln, wie optimale Interventionsfenster, Risikostufen oder Handlungsprioritäten. Dies ist besonders relevant für Tätigkeiten wie Bewässerungsmanagement, Pflanzenschutz, Ernährung und die Überwachung des vegetativen Zustands.

Räumlich-zeitliche Variabilität managen

Einer der größten Vorteile des KI-Einsatzes ist die Fähigkeit, mit der räumlichen und zeitlichen Variabilität landwirtschaftlicher Systeme zu arbeiten. Scheinbar einheitliche Felder können erhebliche Unterschiede in Boden, Vitalität oder phänologischer Entwicklung aufweisen. Dank Machine Learning und Deep Learning können diese Unterschiede erkannt und quantifiziert werden, was gezielte Eingriffe ermöglicht und folglich einen effizienteren Einsatz von Wasser, Düngemitteln und Pflanzenschutzmitteln. Dies ist ein Win-win-Ansatz: Einerseits sinken die Kosten für den Landwirt, andererseits steigt die soziale, wirtschaftliche und ökologische Nachhaltigkeit. Es ist jedoch wichtig klarzustellen, dass die Wirksamkeit dieser Werkzeuge stark von der Datenqualität und der Richtigkeit des zugrunde liegenden agronomischen Modells abhängt. Ein Algorithmus kann fehlende, nicht repräsentative Daten oder eine falsche agronomische Interpretation des Problems nicht ausgleichen. Deshalb ist ein multidisziplinärer Ansatz unerlässlich: Die Zusammenarbeit zwischen Landwirten, Agronomen, Technikern und KI-Experten ist notwendig, um die bestmögliche Leistung der in der Landwirtschaft eingesetzten KI zu gewährleisten. Machine-Learning- und Deep-Learning-Algorithmen funktionieren am besten, wenn sie auf soliden agronomischen Grundlagen aufgebaut und als Unterstützungswerkzeuge eingesetzt werden, die in der Lage sind, große Datenmengen in zeitnahere, gezieltere und nachhaltigere operative Hinweise umzuwandeln.

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

KI in einer Zitrusplantage: eine reale Fallstudie

Ein konkretes Beispiel für den Einsatz künstlicher Intelligenz und digitaler Technologien in der Landwirtschaft ist die multispektrale Drohnenanalyse, die in einer Zitrusplantage in Sizilien durchgeführt wurde. Ziel der Untersuchung war es, den vegetativen Zustand und die Reaktion der Pflanzen auf verschiedene agronomische Produkte (Biostimulanzien) objektiv und quantitativ zu bewerten, unter Einsatz hochauflösender Bilder und fortschrittlicher Analysealgorithmen. Das Untersuchungsgebiet wurde in 25 Versuchsparzellen von 80 m² mit jeweils 4 Pflanzen unterteilt. Dieser Aufbau ermöglichte es, vergleichbare und statistisch belastbare Daten zu gewinnen, die für die Bewertung der Wirksamkeit der getesteten Behandlungen und die korrekte Interpretation der räumlichen Variabilität der Zitrusplantage unerlässlich sind. Die Erhebung erfolgte sehr schnell mithilfe einer DJI Mavic 3 Multispectral Drohne, deren integrierter Multispektralsensor die gleichzeitige, ausgerichtete Erfassung von vier Spektralbändern (Grün, Rot, Red Edge und NIR) sowie eines hochauflösenden RGB-Bildes ermöglicht.

Abb.4: Versuchsparzellen innerhalb einer sizilianischen Zitrusplantage.

Die Ergebnisse der Untersuchung

Ausgehend von den RGB- und Multispektralbildern wurde ein 3D-Modell (Digital Twin) der Zitrusplantage erstellt. Der Einsatz dieses Modells in Kombination mit Computer-Vision- und KI-Algorithmen ermöglicht es, automatisch mehrere biometrische und physiologische Kulturparameter zu extrahieren, potenziell pflanzenweise: vegetierte Fläche, um die Kronenbedeckung zu quantifizieren; Kronendicke, -höhe und -volumen, direkte Indikatoren der vegetativen Entwicklung; Vegetationsindizes, insbesondere NDVI für die vegetative Vitalität sowie GNDVI und NDRE für die indirekte Schätzung der Chlorophyllkonzentration und des Ernährungszustands. Diese Parameter ergeben sich aus der Anwendung fortschrittlicher Analysealgorithmen, die Rohdaten in agronomische Informationen umwandeln. Die per Definition komplexen Multispektralbilder werden verarbeitet, um räumliche Muster und Unterschiede zwischen den Parzellen zu extrahieren, die durch traditionelle visuelle Beobachtung nur schwer erkennbar wären. Betrachten wir zwei Beispiele biometrischer Parameter, die für die Zitrusplantage berechnet wurden. Zunächst repräsentiert die vegetierte Fläche die Kronendichte jeder einzelnen Zitruspflanze und ist wesentlich, um die räumliche Verteilung der Dichte zu visualisieren und Bereiche mit geringerer oder höherer Dichte zu identifizieren.

Abb.5: Kronenfläche für jede Pflanze.

Die Karte des Kronenvolumens ermöglicht es, die Gesamtentwicklung der Baumkronen als Durchschnittswert für jede Parzelle zu visualisieren. Das Kronenvolumen korreliert direkt mit der Biomasse und bestätigt, was bereits aus der vorherigen Karte der vegetierten Fläche hervorging.

Abb.6: Kronenvolumen für jede Pflanze.

Auf Grundlage der per Drohne erfassten Multispektraldaten wurden drei Vegetationsindizes berechnet: NDVI, GNDVI und NDRE. Der NDVI-Index wird stark von der Vitalität der vegetierten Fläche beeinflusst, ist aber ebenso durch sie begrenzt, da er nach Erreichen eines Höchstwerts zur Sättigung neigt und eventuelle Variabilität im Feld verdeckt. In der Zitrusplantage ist neben der Variabilität zwischen den Parzellen auch eine Variabilität innerhalb der Parzellen zu beobachten.

Abb.7: NDVI-Vegetationsindex der Krone für jede Pflanze.

Die GNDVI-Karte ermöglicht die Überwachung des Chlorophyllgehalts der Kulturen und eine bessere Unterscheidung gesünderer Bereiche im Vergleich zum NDVI, wenn die Kronen gut entwickelt sind. Darüber hinaus kann der GNDVI zur Bewertung der Wasseraufnahme der Pflanzen und damit ihres Trockenstresses genutzt werden. Auch hier zeigt sich eine starke Variabilität zwischen den Parzellen, während die Variabilität innerhalb der Parzellen gering ist.

Abb.8: GNDVI-Vegetationsindex der Krone für jede Pflanze.

Wie beim GNDVI-Index ermöglicht die NDRE-Karte die Überwachung des Chlorophyllgehalts der Kulturen, auch wenn die Kronen gut entwickelt sind. Der NDRE ist bei mittel- und spätreifenden Kulturen mit hohem Chlorophyllgehalt ein besserer Indikator für die Pflanzengesundheit als der NDVI. Darüber hinaus kann der NDRE zur Bewertung der Stickstoffaufnahme der Pflanzen und damit ihrer Effizienz genutzt werden.

Abb.9: NDRE-Vegetationsindex der Krone für jede Pflanze.

Fazit

Die in der Zitrusplantage durchgeführte Fallstudie zeigt, dass künstliche Intelligenz, angewendet auf die Drohnenfernerkundung, zu einem konkreten operativen Werkzeug zur Unterstützung agronomischer Entscheidungen werden kann. Der Dienst iDrone von Agrobit ermöglicht es, hochauflösende Multispektralbilder in objektive, messbare Informationen über den vegetativen Zustand der Kulturen umzuwandeln. Darüber hinaus war es durch die Berechnung von biometrischen Parametern und Vegetationsindizes möglich, die räumliche Variabilität der Zitrusplantage zu identifizieren und zu quantifizieren, die Reaktion der Pflanzen auf verschiedene Behandlungen zu bewerten und Stresssituationen frühzeitig zu erkennen. Diese Informationen, die allein durch visuelle Beobachtung nur schwer zu gewinnen wären, ermöglichen gezieltere, effizientere und nachhaltigere Eingriffe. In einem zunehmend komplexen landwirtschaftlichen Kontext stellt der Dienst iDrone eine zuverlässige AgTech-Lösung dar, um die Bewirtschaftungseffizienz zu verbessern, Kosten zu senken und Entscheidungen auf Basis realer Daten zu unterstützen.