TP 10: Machine Learning in der Grünlandbewirtschaftung

Stand der Wissenschaft sowie Problemstellung

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.

Beschreibung Arbeitsprogramm und erwartete Ergebnisse

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.