DiWenkLa: Machine Learning in der Grünlandbewirtschaftung (Teilprojekt 10)

Beschreibung:

In der Grünlandbewirtschaftung sind Ertragsprognosen wichtig für Entscheidungen hinsichtlich Saat, Düngung, Schädlingsbekämpfung, Bewässerung und Mähen. Für Ertragsprognosen wird zunehmend Machine Learning (ML) eingesetzt, indem Prognosemodelle auf Basis von Vergangenheitsdaten trainiert und anhand neuer Daten evaluiert werden, bevor sie in den praktischen Einsatz überführt werden. ML-Anwendungen in der Grünlandbewirtschaftung profitieren von verbesserten Sensortechnologien für Felddaten sowie frei verfügbaren Algorithmen und Softwarebibliotheken. Wenngleich die Evidenz für die Leistungsfähigkeit ML-basierter Verfahren zunimmt, ist noch ungeklärt, inwiefern diese Ansätze auf die Gegebenheiten der kleinstrukturierten Grünlandbetriebe in Baden-Württemberg übertragen und angepasst werden können. Diese Strukturen führen dazu, dass bedeutend weniger Umgebungs-, Bewirtschaftungs- und Bestandsdaten für das Modelltraining zur Verfügung stehen als dies für große Flächen der Fall ist. Somit liegt die zentrale Problemstellung in der Entwicklung von Prognoseverfahren für solche Datasets.

Zielsetzung des Teilprojektes 10 ist Analyse von ML-Ansätzen für die Ertragsprognose kleinstrukturierter Grünlandbetriebe:

1. Untersuchung des Trade-offs zwischen Aufwand der Datensammlung und höherer Prognosegüte, d.h. inwiefern Daten aus bislang ungenutzten Quellen, Daten mit höherer Frequenz oder Daten höherer flächenmäßiger Detaillierung die Prognosegüte erhöhen können.
2. Untersuchung der Eignung von Ensemble-Learning-Verfahren, die Prognosen mehrerer ML-Algorithmen zu einer gemeinsamen Prognose aggregieren, d.h. inwiefern die Auswahl von ML-Algorithmen die Prognosegüte erhöhen kann.
3. Untersuchung des Einflusses der Größe der Trainingsmenge auf die Prognosegüte, d.h. Bestimmung von Mindestgrößen für gegebene Genauigkeitsanforderungen und des Effekts zusätzlicher Trainingsdaten.

Das Arbeitsprogramm umfasst experimentelle Untersuchungen anhand von Datasets aus TP11 und TP12, die Entwicklung von Prognoseverfahren unter Nutzung von industriellen ML-Frameworks, die rigorose Evaluation der Genauigkeit, Robustheit und Aufwands anhand von Metriken sowie die qualitative Untersuchung der Eignung für Grünlandbetriebe des Experimentierfeldes. Die erwarteten Ergebnisse umfassen die entwickelten Prognoseverfahren und Wissen über die Eignung der Verfahren für Grünlandbetriebe.

Beteiligte Personen

• Priv.-Doz. Dr. Jörg Leukel
• M.Sc. Julian González
• M.Sc. Martin Riekert
• M.Sc. Tobias Zimpel
• M.Sc. Luca Scheurer

Beteiligte Einrichtungen

• Universität Hohenheim
• Hochschule für Wirtschaft und Umwelt, Nürtingen-Geislingen
• Haupt- und Landgestüt Marbach (HuL)
• Landwirtschaftliches Zentrum Baden-Württemberg (LAZBW)
• Landesanstalt für Landwirtschaft, Ernährung und Ländlichen Raum (LEL)
• Landwirtschaftliches Technologiezentrum Augustenberg (LTZ)
• Praxispartner aus Grünland, Acker und Pferdestall

Förderer

• Bundesministerium für Ernährung und Landwirtschaft
  Gefördert in der Maßnahme "Experimentierfelder zur Digitalisierung in der Landwirtschaft"

Publikationen im Rahmen des Projekts

• Scheurer, L., Leukel, J., Zimpel, T., Werner, J., Perdana-Decker, S., & Dickhoefer, U. (2024). Predicting herbage biomass on small-scale farms by combining sward height with different aggregations of weather data. Agronomy Journal, 116(6), 3205-3221. https://doi.org/10.1002/agj2.21705
• Stumpe, C., Leukel, J., & Zimpel, T. (2024). Prediction of pasture yield using machine learning-based optical sensing: a systematic review. Precision Agriculture, 25(1), 430-459. https://doi.org/10.1007/s11119-023-10079-9
• Zimpel, T., Perdana-Decker, S., Leukel, J., Scheurer, L., Dickhoefer, U., & Werner, J. (2023). P42 Estimating pasture yield using machine learning and weather data: effect of small and large prediction horizons. Animal-science proceedings, 14(4), 628-629. https://doi.org/10.1016/j.anscip.2023.04.137
• Leukel, J., Zimpel, T., & Stumpe, C. (2023). Machine learning technology for early prediction of grain yield at the field scale: a systematic review. Computers and Electronics in Agriculture, 207, 107721. https://doi.org/10.1016/j.compag.2023.107721
• Leukel, J., Gonzalez, J., & Riekert, M. (2021). Adoption of machine learning technology for failure prediction in industrial maintenance: a systematic review. Journal of Manufacturing Systems, 61, 87-96. https://doi.org/10.1016/j.jmsy.2021.08.012