AMBROSIA

Artificial Intelligence in Farming

FuE-Projekt

KATEGORIE

5

PARTNER

≈ 1 Mio €

BUDGET

Aug. 2023 – Okt. 2025

LAUFZEIT

DasTeam

Markscheider Prof. Dr.-Ing. Tobias Hillmann

Hochschule Neubrandenburg

Lehrstuhl für praktische Geodäsie, Kartographie und Datenverarbeitung

Prof. Dr. Erik Borg

Deutsches Zentrum für Luft- und Raumfahrt (DLR), Neustrelitz

Deutsches Fernerkundungsdatenzentrum, Nationales Bodensegment

Norman Rauthe M. Sc.

Hochschule Neubrandenburg

Wissenschaftlicher Projektmitarbeiter

Hauke Hoppe M. Eng.

Fraunhofer-Institut für Graphische Datenverarbeitung IGD-R

Wissenschaftlicher Projektmitarbeiter

Lars Fricke M. Sc.

Hochschule Neubrandenburg

Wissenschaftlicher Projektmitarbeiter

Dipl.-Ing. (FH) Frank Czarnikow

data experts gmbh

Veronika Shvets M. Eng.

Hochschule Neubrandenburg

Wissenschaftliche Projektmitarbeiterin

Wilderich Freiherr von Maltzahn

Daberkower Landhof AG

Was soll erreicht werden?

Im Rahmen des innovativen Forschungsprojekts AMBROSIA streben wir eine nachhaltige Transformation der landwirtschaftlichen Pflanzenproduktion durch den gezielten Einsatz von satellitengestützten Fernerkundungsdaten und georeferenzierten Zusatzinformationen an. Ziel ist es, durch die Kombination dieser Technologien die Ressourceneffizienz zu steigern und gleichzeitig ökologisch nachhaltige Prozesse in der Agrarwirtschaft zu fördern.

Das Projekt fokussiert sich auf die Optimierung der Vorhersage biophysikalischer Parameter in verschiedenen Wachstumsstadien. Durch die Nutzung von Zeitreihen synthetischer und optischer Daten, gepaart mit Künstlicher Intelligenz (KI), entwickeln wir Simulationen, die die Wachstumsentwicklung, Biomassebildung und potenzielle Erträge präzise vorhersagen. Diese fortschrittlichen Methoden ermöglichen es, Anbauflächen und Fruchtfolgen standortoptimiert anzupassen und somit die landwirtschaftliche Produktivität zu maximieren.

Ein weiterer Schwerpunkt von AMBROSIA liegt auf der Entwicklung und Implementierung verschiedener Informationsprodukte, die zur Optimierung landwirtschaftlicher Entscheidungen beitragen. Dazu zählen:

• Erstellung von Anbaukarten, die das Ertragspotential unterschiedlicher Anbauflächen aufzeigen, somit eine fundierte Basis für den gezielten Einsatz von Agrochemikalien bieten und die Planung von Betriebsmitteln und Personal unterstützen.
• Identifikation von Trittsteinbiotopen und Flächen mit Mindererträgen, die in feuchten sowie trockenen Jahren zur Förderung der Biodiversität genutzt werden können.
• Plausibilisierung von Erträgen zur effizienteren und transparenteren Vorbereitung von Flächenkontrollen im Rahmen des integrierten Verwaltungs- und Kontrollsystems (InVeKoS) zur Sicherstellung schneller und verlässlicher EU-Ausgleichszahlungen und Fördermittel.

Das Teilprojekt AMBROSIA zielt darauf ab, die Relevanz und den praktischen Nutzen satellitenbasierter Fernerkundungsdaten in der landwirtschaftlichen Praxis signifikant zu erhöhen. Durch die Integration modernster Technologien und Methoden trägt AMBROSIA dazu bei, eine effiziente und umweltschonende Landwirtschaft zu realisieren, die sowohl ökonomische als auch ökologische Vorteile bietet. Unsere Forschungsarbeit leistet somit einen entscheidenden Beitrag zur Zukunft der Agrartechnologie und zur Sicherung nachhaltiger Lebensmittelproduktion.

Welche Schritte sind dafür erforderlich?

Die Ziele sind an die Entwicklung von Prozessen, Prozessoren, Modulen und Schnittstellen für folgende Aufgaben gebunden:

• Laden und Vorverarbeiten von Fernerkundungs-, georefrenzierten Umwelt- und Zusatzdaten
• Gewinnung fusionierter synthetischer Raum-Zeit-Fernerkundungsdatenreihen
• Klassifikation landwirtschaftlicher Nutzpflanzen unter Nutzung von Random Forest Algorithmen und konventionellen Klassifikationsschemata
• Ermittlung und Modellierung biophysikalischer Parameter (z.B. FPAR, LAI, Chlorophyllgehalt) zur Phänologie von Kulturen zu verschiedenen Wachstumsstadien und Evaluierung mit Realdaten und Fitting auf Ertragskarten aus Vorjahren
• Ertragsmodellierung mithilfe fernerkundungsbasierter biophysikalischer Parameter unter Nutzung eines semi-empirischen Light-Use-Efficiency-Ansatzes
• KI-gestützte Prognose standortbezogener Ernteerträge auf Basis fernerkundungsbasierter Zeitreihen (Convolutional Neural Networks (CNN)) und modellbasierter Analysen mit Einbeziehung der Fruchtfolge, Ressourceneffizienz und Klimadaten auf Optimierung des Betriebsergebnisses durch Bayes’sche Netze und
• Einbindung und Nutzung dieser Datenbasis im Data Lake BData4AF

Die Aufgaben werden gemeinschaftlich im Verbund der fünf Partner erarbeitet und dienen der anwendungsorientierten, wissenschaftlichen Unterstützung der teilschlagbezogenen Pflanzenproduktion.

Mehr erfahren?

Die bessere Nutzung von Fernerkundungsdaten in der Landwirtschaft interessiert Sie? Sie möchten mit dem Projektteam direkt in Kontakt treten? Dann nutzen Sie gerne die Kontaktmöglichkeiten oben oder schreiben Sie uns:

Jetzt Kontakt aufnehmen