Landwirtschaft 4.0: Informationssystem für die Schweinehaltung

Beschreibung

Die Integration von Daten und die Analytik ist in den vergangenen Jahren immer mehr auch in landwirtschaftlichen Betrieben in den Vordergrund gerückt. Die zunehmende Geschwindigkeit der Entwicklungen im IT-Bereich und speziell im Massendatenmanagement machen es bereits heute möglich, über Algorithmen und maschinelle Lernverfahren in kurzer Zeit bisher unbekannte Zusammenhänge in Daten zu identifizieren, zu analysieren sowie Prognosemodelle zu erstellen. Dies hat auch die Landesregierung von Baden-Württemberg zum Anlass genommen, das Thema in ihrem Koalitionsvertrag (2016-2021) zu verankern und das integrierte Programm „Landwirtschaft 4.0 nachhaltig.digital“ durchzuführen. Anders als in der Pflanzenproduktion sind jedoch in der tierischen Erzeugung die Datensätze nur rudimentär für die automatisierte datengetriebene Analytik erschlossen.

Ziel ist daher die Konsolidierung verteilter und heterogener Datenbestände am Bildungs- und Wissenszentrum Boxberg. Auf Basis einer besser integrierten Datensicht wird eine deutliche Verbesserung des gesamtbetrieblichen oder überbetrieblichen Managements angestrebt. Mit Hilfe der Datenanalytik und maschinellen Lernverfahren soll betrieblicher Mehrwert durch neues Wissen über bislang unerkannte Zusammenhänge aus den Daten generiert werden. Mit diesem Projekt wird daher nicht nur ein Leuchtturmprojekt im Bereich Landwirtschaft 4.0 mit Ausstrahlungseffekt für landwirtschaftliche Betriebe im tierischen Erzeugungsbereich geschaffen, sondern darüber hinaus schafft es für die Besonderheiten der LSZ (z.B. Versuchsanstellungen, Leistungsprüfung) eine essentielle Grundlage zur zielgerichteten Nutzbarmachung des verteilt vorliegenden Datenschatzes.

Um den Datenschatz der LSZ für die Datenanalytik, Wissensgewinnung und den Wissenstransfer zu erschließen, müssen die Datenbestände zuerst in eine Datenplattform überführt werden. Daraufhin können Principal Component Analysis und unüberwachte maschinelle Lernverfahren (z.B. Clustering) zur Exploration der Daten eingesetzt werden. Des Weiteren ermöglichen überwachte maschinelle Lernverfahren die Schaffung von Prognosemodellen mit hoher Genauigkeit. Hierbei wird auf „Künstliche Neuronale Netze“ (insbesondere Deep Learning) zurückgegriffen. Darüber hinaus dienen multivariate Verfahren der Entdeckung und Überprüfung von Zusammenhängen. Zur Umsetzung des Vorhabens sieht das Projekt den Einsatz von Rapid Prototyping-Methoden und agilen Entwicklungsansätzen vor.

Beteiligte Einrichtungen

• Universität Hohenheim, Lehrstuhl Wirtschaftsinformatik 2
• Landesanstalt für Schweinezucht Boxberg

Förderer

• Ministerium für Ernährung, Ländlichen Raum und Verbraucherschutz Baden-Württemberg

Publikation im Rahmen des Projekts

• Zimpel, T., Wild, A., Schrade, H., & Kirn, S. (2022). Association rule mining to study process-related cause-effect-relationships in pig farming. In Proceedings of the Workshop on Process Management in the AI Era 2022 (PMAI 2022) co-located with 31st International Joint Conference on Artificial Intelligence and the 25th European Conference on Artificial Intelligence (IJCAI-ECAIS 2022), Vienna, Austria, July 23, 2022. CEUR Workshop Proceedings 3310. https://ceur-ws.org/Vol-3310
• Riekert, M., Opderbeck, S., Wild, A., & Gallmann, E. (2021). Model selection for 24/7 pig position and posture detection by 2D camera imaging and deep learning. Computers and Electronics in Agriculture, 187, 106213. https://doi.org/10.1016/j.compag.2021.106213
• Zimpel, T., Riekert, M., Klein, A., & Hoffmann, C. (2021). Machine learning for predicting animal welfare risks in pig farming. Agricultural Engineering, 76(1), 24-35. https://doi.org/10.15150/lt.2021.3261
• Zimpel, T., Riekert, M., Klein, A., & Hoffmann, C. (2021). Maschinelle Lernverfahren zur Prognose von Tierwohlrisiken in der Schweinehaltung. LANDTECHNIK, 76(1), 24-35. https://doi.org/10.15150/lt.2021.3261
• Riekert, M., Klein, A., Adrion, F., Hoffmann, C., & Gallmann, E. (2020). Automatically detecting pig position and posture by 2D camera imaging and deep learning. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2020.105391
• Zimpel, T., Riekert, M., & Wild, A. (2020). Designing a smart farming platform for sustainable decision making. Proceedings of the 15th International Conference on Wirtschaftsinformatik (WI 2020). Potsdam, Germany. https://doi.org/10.30844/wi_2020_x3-zimpel
• Riekert, M., Zimpel, T., Hoffmann, C., Wild, A., Gallmann, E., & Klein, A. (2020). Towards animal welfare monitoring in pig farming using sensors and machine learning. In Referate der 40. Jahrestagung der Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft. Fokus: Digitalisierung für Mensch, Umwelt und Tier (pp. 271-276). Freising, Germany. LNI P-299. Bonn, Germany: GI.
• Zimpel, T., Riekert, M., Hoffmann, C., & Wild, A. (2020). Maschinelle Lernverfahren zur frühzeitigen Prognose der Handelsklasse. In Referate der 40. Jahrestagung der Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft. Fokus: Digitalisierung für Mensch, Umwelt und Tier (pp. 361-366). Freising, Germany. LNI P-299. Bonn, Germany: GI.
• Hoffmann, C., & Riekert, M. (2018). Big Data Analytics in der Tierwohldebatte – Zwischenstand im Projekt “Landwirtschaft 4.0: Info-System”. In Referate der 38. Jahrestagung der Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft. Fokus: Digitale Marktplätze und Plattformen (pp. 115-118). Kiel, Germany. LNI 278. Bonn, Germany: GI.