NAIFM

Welche Schritte sind dafür erforderlich?

m ersten Schritt wird der Nährstoffgehalt beginnend mit Stickstoff und dessen Veränderungen bei Kulturpflanzen auf Testschlägen in Relation zu Umgebungsvariablen aus Bodenproben sowie Wetterdaten analysiert, um Mangel und Überschuss zu definieren. Hierzu werden sowohl für die Kulturpflanzen putative Marker auf molekularer Ebene mittels Next Generation Sequencing (NGS) des Transkriptoms identifiziert und mit phänotypischen Variablen bezüglich des Chlorophyllgehalts und Stickstoffgehalts verknüpft.

Im zweiten Schritt werden basierend auf orts- und zeitaufgelösten Bildaufnahmen der Kulturpflanzen auf dem Feld mittels Drohnen eine robuste erklärbare KI trainiert, um Früherkennungs-Marker unter longitudinalen Düngungsstudien zu extrahieren. Hierbei soll eine Deep Learning Methode basierend auf „Convolutional Neural Nets“ (CNNs) mit XAI („eXplainable Artifical Intelligence“) Komponenten trainiert werden, um aus Bildinformationen kausale Rückschlüsse auf die Biomarker und deren Pflanzenbefinden zu ziehen und um die benötigte Düngerzufuhr zu erkennen und optimal zu dosieren. Weiterhin soll zur besseren Analyse ein Fokus auf der Optimierung der Methodik zur Bildaufnahme mittels Drohnen und benötigten Spektren der Kameras erfolgen.

Abschließend bekommen Landwirtschaftsbetriebe die temporalen ortsaufgelösten Informationen über Düngemittelbedarf mit zusätzlichen Informationen über die Variablen, welche zu der Entscheidung beigetragen haben, um Besonderheiten der Schläge zu detektieren. Weiterhin werden Düngemitteldrohnen und deren Ausbringung mittels KI-Informationen in diesem Projekt optimiert, um für Landwirtschaftsbetriebe ein trainiertes, erklärbares KI-Modell zum automatisierten, dynamischen und lokalen Düngungsmanagement mittels Drohnen zu entwickeln.