Hier beginnt der Hauptinhalt dieser Seite

Big Data in der Landwirtschaft Nachhaltige Agrarwirtschaft

Big Data in der Landwirtschaft

Digitale Landwirtschaft – unter diesem Stichwort wird der computergestützte Einsatz landwirtschaftlicher Methoden subsumiert. Die Entwicklungen in den Bereichen Automatisierung, Sensorik und Robotik erlauben heute eine Vielfalt der Anwendungen, die noch vor wenigen Jahren undenkbar war. Das Bundesministerium für Ernährung und Landwirtschaft hat das Potential von Big Data erkannt. Es fördert Innovationen in der Agrartechnik zur Steigerung der Ressourceneffizienz in der Bekanntmachung "Big Data in der Landwirtschaft" mit rund 29 Millionen Euro. Einige Forschungsvorhaben haben gerade begonnen.

Im Projekt „soil2data“ der Hochschule Osnabrück wird ein mobiles Labor entwickelt, das direkt auf dem Feld Bodenproben nimmt, Nährstoffe bestimmt und die Ergebnisse auswertet. So kann teilflächenspezifisch ermittelt werden, wieviel Düngemittel tatsächlich erforderlich sind.

Auch das vom Leibniz-Institut für Agrartechnik koordinierte Vorhaben „Sensorgestützte Online-Detektion von Krankheiten im Getreide - FungiDetect“ zielt darauf ab, Ressourcen so effizient wie möglich einzusetzen. Mit einem speziellen Sensorsystem sollen Pilzinfektionen im Bestand frühzeitig erkannt werden. Das ermöglicht, befallene Stellen gezielt zu behandeln und damit die Aufwandmenge an Pflanzenschutzmitteln deutlich zu reduzieren.

Die Weiterentwicklung unbemannter Drohnen und die für die Auswertung der Luftaufnahmen notwendige Software bieten neue Möglichkeiten zur gezielten Beobachtung wachsender Pflanzenbestände im Feld. Das Projekt „CropWatch“ setzt hier an und entwickelt eine Anwendung, die anhand der ermittelten Vegetationsparameter und Standortinformationen eine kontinuierliche Beschreibung des Pflanzenbestandes ermöglicht. Der Landwirt soll damit u. a. erkennen können, welchen Einfluss Bewirtschaftungsmaßnahmen auf die Ertragsbildung seiner Nutzpflanzenbestände haben.

Für die Ernte landwirtschaftlicher Früchte steht in der Regel nur ein eng begrenztes Zeitfenster zur Verfügung, hier müssen Verfahrenabläufe optimal aufeinander abgestimmt sein. „prospective.HARVEST“ hat sich zum Ziel gesetzt, die Prozesse bei der Silomaisernte besser zu koordinieren. Der Logistikprozess zwischen Erntemaschine, Transportfahrzeugen und Verdichterfahrzeug beispielsweise soll zukünftig basierend auf Ertragsprognosedaten vorausschauend gesteuert und die Fahrrouten der Maschinen aufeinander abgestimmt werden.

 

Bild: © rustneversleeps /Fotolia

Informationen zu den Projekten

SpaceDataMilking

EMRA

CowAlarm

AgriFusion

soil2data

prospective.HARVEST

CropWatch

FungiDetect