Yield Consortium

Immer höhere Anforderungen werden an die heutige Landwirtschaft gestellt. Um bei effizientem Ressourceneinsatz möglichst hohe Erträge erzielen zu können, ist es wichtig, frühzeitig Maßnahmen zu ergreifen, wie z. B. die intelligente Verteilung von Düngemitteln und Pestiziden. Dabei können Daten und Methoden des maschinellen Lernens eine unterstützende Rolle spielen. Jedoch sind landwirtschaftlich relevante Daten oftmals nur schwer zugänglich und deren Nutzung limitiert.

Aus diesem Grund beschäftigt sich das Yield Consortium mit der Nutzung von Fernerkundungstechnologien und Geoinformationen für die Landwirtschaft. Wir entwickeln Methoden zur Verarbeitung von landwirtschaftlich relevanten Datenquellen wie z. B. Satellitendaten, Ertragskarten, Wetterdaten, Bodeninformationen und Höhenprofile. Die verfügbaren Datenquellen dienen als Grundlage zur Entwicklung von Methoden des maschinellen Lernens für die Vorhersage von feldgenauen Erträgen.

Darüber hinaus wollen wir die Digitalisierung und die Landwirtschaft näher zusammenrücken. Viele Landwirte verfügen über eine Vielzahl hochinformativer Datenquellen, welche oftmals nur schwer nutzbar sind. Wir wollen Landwirten dabei helfen, ihre Daten wie z. B. Ertragskarten gewinnbringend einzusetzen.

Die Biomasse von Ackerpflanzen lässt sich gut basierend auf Vegetationsindizes vorhersagen, die von Satellitenbildern abgeleitet werden. So lässt sich hierfür zum Beispiel der Normalized Difference Vegetation Index (NDVI) nutzen. Es ist allerdings schwierig, basierend auf der Biomasse die tatsächlichen Erträge vorherzusagen. Ackerpflanzen mit viel Biomasse können trotzdem nur niedrige Erträge bringen, wenn die richtigen Nährstoffe fehlen.

Wir nutzen daher Satellitenbilder, um mit Hilfe von Künstlicher Intelligenz direkt den Ertrag vorherzusagen. Dabei nutzen wir multispektrale Satellitenbilder und zusätzliche Datenquellen als Input für unsere Machine-Learning-Modelle, um feldgenaue Ertragsvorhersagen bis hin zu einer Auflösung von 10 x 10 Metern pro Pixel zu erstellen.