Das Projekt TRANSFORM ist ein Forschungs- und Entwicklungsprojekt unter Leitung der Hochschule Anhalt in Sachsen-Anhalt.
Es zielt darauf ab, die Transformation bestehender landwirtschaftlicher Betriebe in zukunftsfähige Unternehmen zu unterstützen.
Ziel ist die Förderung der digitalen Transformation, um Effizienz, Nachhaltigkeit und Umweltentlastung zu verbessern.
Kern des Projekts ist die Entwicklung digitaler Lösungen und Werkzeuge, die landwirtschaftliche Betriebe bei der Optimierung ihrer Bewirtschaftung unterstützen.
Durch den Einsatz von Smart Transformation Labs, Virtual-Reality-Technologien, digitalen Planungsinstrumenten, generativer KI und Sensornetzwerken werden digitale Zwillinge, Entscheidungsunterstützungssysteme sowie mobile und stationäre Demonstratoren umgesetzt.
Der Wissenstransfer in die Praxis erfolgt durch gezielte Demonstrationen und Schulungsangebote.
Vollständiger Name:
TRANSFORM: Smart Transformation Labs als virtuelle Zukunftsbetriebe für die Region Mitteldeutschland zur Begleitung von betrieblichen digitalen Transformationsprozessen für eine moderne und nachhaltige Landbewirtschaftung
Laufzeit:
01.07.2023 – 31.12.2027
Förderprogramm:
Einrichtung von Experimentierfeldern als Zukunftsbetriebe und Zukunftsregionen der Digitalisierung in der Landwirtschaft sowie in vor- und nachgelagerten Wertschöpfungsketten
Fördergeber:
Bundesministerium für Landwirtschaft, Ernährung und Heimat (BMLEH)
Fördernummer:
28DE205A21, 28DE205B21, 28DE205C21, 28DE205D21
Projektverantwortliche Person:
Prof. Dr. Uwe Knauer – uwe.knauer@hs-anhalt.de
Projektwebsite:
https://transform.digitale-landwirtschaft.eu/
Fraunhofer IFF:
Aufbau digitalter Demonstratoren für landwirtschaftliche Akteure im Smart Transformation Lab „Elbedome“
Fraunhofer IBMT:
Umsetzung eines Technikmoduls als Aufsatz für einen Pick-up als mobiler Demonstrator für digitale Technologien
Landesanstalt für Landwirtschaft und Gartenbau Sachsen-Anhalt (LLG):
Visualisierungen und Workshops zum Pflanzenschutz sowie Verknüpfung zu den Dienstleistungsangeboten des isip e.V. und der ZEPP
Smart Transformation Labs
Aufbau virtueller Zukunftsbetriebe zur digitalen Planung und Transformation landwirtschaftlicher Prozesse.
Digitale Demonstratoren und Sensorik
Entwicklung mobiler und stationärer Demonstratoren, die landwirtschaftliche Arbeitsprozesse digital erfassen und visualisieren.
Virtuelle Schulungsumgebungen
Nutzung von Virtual Reality und Mixed Reality für Wissenstransfer, Schulungen und betriebliche Weiterbildung.
Beseler, L., Meyer, M. A., Beckmann, M. & Fischer, C. (2025, preprint):
Complementary, Not Competing: Passive Acoustic Monitoring and Point Counts Reveal Different Facets of Bird Communities in Agricultural Landscapes.
In: SSRN (Social Science Research Network)
DOI: 10.2139/ssrn.5990539
Brinken, J., Trojahn, S. & Behrendt, F. (2025):
A mixed method approach to integrate digitization and sustainability on German farms.
In: Smart Agricultural Technology, 11
DOI: 10.1016/j.atech.2025.101012
Stein, P., Jerosch, S., Pause, M. & Fischer, C. (2025):
Unimpressed by the Environment? - Local and Landscape Scale Effects on the Common Hamster in a Simple Agricultural Landscape.
In: Ecology and Evolution15, no. 12: e72595
DOI: 10.1002/ece3.72595
Herzig, P., Sander, B., Kopka, J., Nikitin, P. & Knauer, U. (2024):
Validation photogrammetrischer Pflanzenhöhenbestimmung mittels GPS-gestützte Ground Truth Erhebung in Exaktversuchen.
In: T. P. Kersten (Hrsg.), DGPF-Jahrestagung 2024 – Stadt, Land, Fluss – Daten vernetzen / Wissenschaftlich-Technische Jahrestagung der DGPF, S. 318–325. Stuttgart: Geschäftsstelle der DGPF.
Volltext: https://dgpf.de/src/tagung/jt2024/proceedings/paper/21_dgpf2024_Herzig_et_al.pdf
Knauer, U., Kopka, J. & Herzig, P. (2024):
Sensorgestützte Erfassung der Eigenschaften landwirtschaftlich genutzter Böden anhand von Aufnahmen des Bodenprofils.
In: T. P. Kersten (Hrsg.), DGPF-Jahrestagung 2024 – Stadt, Land, Fluss – Daten vernetzen / Wissenschaftlich-Technische Jahrestagung der DGPF, S. 318–325. Stuttgart: Geschäftsstelle der DGPF.
Volltext: https://dgpf.de/src/tagung/jt2024/proceedings/paper/22_dgpf2024_Knauer_et_al.pdf
Kästing, M. & Hänig, C. (2024):
Assessing Large Language Models in the Agricultural Sector: A Comprehensive Analysis Utilizing a Novel Synthetic Benchmark Dataset.
In: GI-Edition 2001, S. 1279–1286.
DOI: 10.18420/inf2024_113