ArtIGROW

Artificial Intelligence in Farming

Kategorie

FuE-Projekt

Partner

4

Budget

≈ 950 Tsd. €

Laufzeit

Jan. 2023 – Dez. 2025

Das Team

Prof. Dr. Mareike Fischer

Universität Greifswald

Lehrgebiet: Biomathematik und Stochastik

Sophie Kersting M. Sc.

Universität Greifswald

wissenschaftliche Mitarbeiterin

Prof. Dr. Jürgen Kreyling

Universität Greifswald

Lehrgebiet: Experimentelle Pflanzenökologie

Bo Peters M. Sc.

Universität Greifswald

wissenschaftlicher Mitarbeiter

Prof. Dr.-Ing. Mark Vehse

Hochschule Stralsund

Fakultät Maschinenbau

Mario Georgi

Hochschule Stralsund

wissenschaftlicher Mitarbeiter

Frank Lemke

geopredict GmbH

Geschäftsführer

Was soll erreicht werden?

Das Ziel von ArtIGROW ist die Entwicklung eines skalierbaren Demonstrators (Plattform) einer Präzisionslandwirtschaftsdaten-Analyse- und Optimierungsplattform für den regionalen, nationalen und langfristig europäischen Agrarmarkt. Für diese Plattform soll insbesondere ein prädiktives biomathematisches Modell zum ober- und unterirdischen Pflanzenwachstum erstellt werden. Der Demonstrator integriert das Echtzeit-Monitoring von oberirdischen Wachstumsparametern aus satellitengestützten Erdbeobachtungsdaten (SatEO) und unterirdischen (Wurzel-)Wachstumsparametern aus automatisierten Minirhizotronen, Referenzdaten zu Pflanzentyp und Boden sowie Daten aus weiteren agronomischen Modellen.

Hier besonders hervorgehoben werden soll die Entwicklung eines KI-basierten Modells zur Vorhersage des Einflusses von Umweltbedingungen (z.B. Bodenfeuchtigkeit) und von eingesetzten Hilfsstoffen wie Dünger oder Pflanzenschutzmitteln auf Wurzelwachstum und Wurzelgesundheit, inklusive zu entwickelndem Monitoringsystem (Automatisierung von bestehenden Minirhizotronsystemen und Echtzeitanalyse der anfallenden Bilddaten).

Damit umfasst der Demonstrator sowohl Daten von ober- als von auch unterirdischen Teilen der Pflanzen und gibt daher ein viel differenzierteres Bild vom Zustand der Nutzpflanzen ab als bisherige biomathematisch-agronomische Modelle. Aus diesem Vorhersagemodell sollen Handlungsempfehlungen zur Verbesserung des ökonomischen/ökologischen Impacts (Einsparung von Dünger, Wasser, aber auch Anpassung der Düngestrategie, Früherkennung von Wurzelkrankheiten usw.) ableitbar werden. Live Daten aus u.a. SatEO und Wettermodellen, quasi-Echtzeitwurzeldynamik per automatisierten Minirhizotronen und die hinterlegten Algorithmen zur Pflanzengesundheit ermöglichen damit eine Früherkennung von Veränderungen im Pflanzenbestand (green-brown).

Welche Schritte sind dafür erforderlich?

 

Einbringen des Minirhizotrons in den Boden

Blick in ein eingegrabenes Minirhizotron

Wurzelscan