Das Projekt KI-Anbauplanung entwickelt ein innovatives Entscheidungsunterstützungstool, das landwirtschaftliche Betriebe dabei unterstützt, Öko-Regelungen teilflächenspezifisch und wirtschaftlich effizient umzusetzen. Durch den Einsatz von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) werden auf Basis detaillierter Felddaten Zonen identifiziert, in denen Umweltmaßnahmen ökologisch und ökonomisch sinnvoll sind. Die Lösung vereinfacht den Entscheidungsprozess erheblich, indem sie vollautomatisch Empfehlungen generiert, die sowohl die Nachhaltigkeit als auch die Wirtschaftlichkeit steigern.
- Vollständiger Name: KI-Anbauplanung: Räumliche Optimierung landwirtschaftlicher Öko-Regelungen auf Basis heterogener Feldinformationen
- Laufzeit: 15.02.2022-31.12.2024
- Förderprogramm: Staatskanzlei des Landes Schleswig-Holstein zur Förderung des Einsatzes von Künstlicher Intelligenz in Schleswig-Holstein (KI-Förderrichtlinie)
- Fördergeber: Land Schleswig-Holstein
- Fördernummer: 220 22 006
- Projektverantwortliche Person: Prof. Dr. Yves Reckleben, yves.reckleben@fh-kiel.de
- Folgeprojekt: EcoSchemer (beantragt)
- Fachhochschule Kiel und FuE-Zentrum FH Kiel GmbH: verantworten das Projektmanagement sowie die Konzeption und Entwicklung der Datenverarbeitungsmethoden.
- Q2 IT-Solutions UG: steuert die Frontend-Entwicklung und die Serverarchitektur bei und stellt damit eine benutzerfreundliche Plattform sicher.
- Bauernverband SH e.V. und Treurat + Partner Unternehmensberatungsgesellschaft mbH: fungieren als praxisorientierte Schnittstellen zur Landwirtschaft und unterstützen das Projekt beratend.
Agronmie und Projektmanagement
Technische Entwicklung
KI-Anbauplanung: Inhalte und Erkenntnisse
- Automatisierte Datenverarbeitung
- Entwicklung und Evaluierung von Filtern und ML-Methoden zur Aufbereitung und Bereinigung von Felddaten.
- Implementierung eines regelbasierten Filters als praxistaugliche und robuste Lösung zur Datenvorbereitung.
- Teilflächenspezifische Entscheidungsunterstützung
- Modellbasierte Interpolation und Berechnung von Deckungsbeiträgen auf Basis der Ertragskarten.
- Identifikation von Zonen, in denen Öko-Regelungen ökologisch und ökonomisch vorteilhaft eingesetzt werden können.
- Praxisorientierte Anwendung von KI/ML
- Vergleich und Einsatz mehrerer KI-Modelle (RFsp, Kriging) zur räumlich differenzierten Ertragsverteilung und Anpassung der Öko-Maßnahmen.
- Optimierung des Prozesses für den Endnutzer durch ein benutzerfreundliches, automatisiertes Web-Frontend.
- Überwindung ökologischer und ökonomischer Zielkonflikte
- Praxisnahe Unterstützung für Landwirte bei der nachhaltigen Flächenbewirtschaftung.
- Förderung einer wirtschaftlich tragfähigen Umsetzung von Öko-Regelungen, die auf tatsächlichen Feldgegebenheiten basiert.
- Kooperation und Wissenstransfer
- Enge Zusammenarbeit zwischen Forschungseinrichtungen und der Praxis fördert den Wissensaustausch und die Überführung der Erkenntnisse in marktreife Lösungen.
- wissenschaftliche Veröffentlichungen:
Johannsen, L., Ramm, S., Reckleben, Y., Doerfel, S. (2024): Exploring AI for interpolation of combine harvester yield data. In: Christa Hoffmann, Anthony Stein, Eva Gallmann, Jörg Dörr, Christian Krupitzer, Helga Floto (Hrsg.): Referate der 44. GIL-Jahrestagung, 27.-28. Februar 2024, Stuttgart-Hohenheim, Deutschland: Informatik in der Land-, Forst- und Ernährungswirtschaft, Fokus: Biodiversität fördern durch digitale Landwirtschaft. S. 107-118.
- Inhalte bei FARMWISSEN:
- Online Tool: EcoSchmer
- Code: GitHub YieldGenXpert
- Beschreibung der Datenerhebung und -verarbeitung
- Dokumentation der Daten
- Datenselektion und Datenarchivierung
- Verfügbarmachung der Projektdaten