Maschinelles Lernen und Entscheidungsfindung in der Landwirtschaft

Zweck der Anbauberatung 2.0

Farm21 entwickelt ein selbstlernendes System zur Unterstützung von Anbauentscheidungen. Dabei handelt es sich um eine Plattform, auf der landwirtschaftliche Datenquellen kombiniert und durch maschinelle Lernalgorithmen analysiert werden. Die Ergebnisse werden durch Nutzerfeedback bewertet und verbessert. Wir nennen dies Anbauratgeber 2.0. Unter dieser andere Blog erklären wir, was wir damit meinen.

In diesem Blog konzentrieren wir uns jedoch darauf, welche Aspekte für die Einrichtung dieses Systems erforderlich sind. Wir definieren die Schlüsselelemente und die Ausgangspunkte. An diesen Aspekten arbeiten wir Tag für Tag.

‍Die Anbautipps 2.0 bieten eine einzigartige Unterstützung für den einzelnen Anbauer. Sie ermöglicht es dem Anbauer, den Anbau effizienter zu gestalten. Das bedeutet: Ertragssteigerung, Einsparung wertvoller Ressourcen wie Pflanzenschutz, Dünger und Wasser.

Wir glauben, dass dies die Zukunft der Digitalisierung in der Landwirtschaft ist.

Maschinelles Lernen als Schwungrad

Um dir einen sehr technischen Aufsatz zu ersparen, erklären wir maschinelles Lernen auf einer sehr hohen Ebene. Maschinelles Lernen ist eine automatisierte Methode zur Analyse großer Datenmengen. Grundsätzlich besteht ein gut funktionierendes maschinelles Lernsystem aus einer kontinuierlichen Schleife der folgenden Schritte.

1. Datenerhebung. Konsistente, qualitativ hochwertige und umfangreiche Datenerfassung. Ein ständig wachsender Datensatz mit so vielen (relevanten) Daten wie möglich ist die Grundlage des Schwungrads.
2. Daten kategorisieren. Datenspezialisten kategorisieren die Daten und trainieren die ML-Algorithmen. In unserem Fall legen wir ein Thema fest, das wir analysieren wollen, z. B. eine bestimmte Krankheit bei einer Kulturpflanze, und welche Parameter dieses Ergebnis potenziell beeinflussen könnten.
3. Ergebnisse anzeigen. Die Ergebnisse der ML-Algorithmen werden den Landwirten und Pflanzenberatern gezeigt.
4. Feedback. Das Feedback wird verarbeitet und in die nachfolgenden Analysen einbezogen.

Um die Zukunftsvision von Farm21 zu verwirklichen und das Schwungrad des maschinellen Lernens in Gang zu setzen, müssen eine Reihe von Schlüsselphasen abgeschlossen werden. Dieser Zeitplan zeigt die wichtigsten Phasen.

1 Daten sammeln

‍Maschinelles Lernen erfordert die konsequente Sammlung von qualitativ hochwertigen und umfangreichen Daten.

Um die richtige Datendichte zu erreichen, ist es notwendig, die Kosten pro Messpunkt zu senken und sich mit bereits vorhandenen Sensoren verbinden zu können.

Zu diesem Zweck entwickeln wir eigene Sensoren, die eine feinkörnige Datenerfassung ermöglichen, und nutzen vorhandene Sensoren, um einen Datensatz mit feinkörnigen Daten aufzubauen.

2 Daten anreichern

‍Durch die Verknüpfung von Datenquellen ist es einem Algorithmus für maschinelles Lernen möglich, Korrelationen in den Daten zu finden.

Zu den Datenquellen, die wir verbinden, gehören zum Beispiel Satellitenbilder, Erntedatenbanken, Ertragsregistrierung, Bodenscans, Traktordatensätze und viele mehr.

Mit Informationen aus verschiedenen Quellen ist es auch möglich, Ausreißer herauszufiltern. Die Qualität der Daten, die für das Training der Algorithmen für maschinelles Lernen verwendet werden, wird verbessert.

3 Allgemeine Warnungen

‍Ein bereits bestehendes Modell (Generic Decision Support System) bildet die Grundlage für die Warnmeldungen. Grundlegende Algorithmen wie "bei Temperatur X, Luftfeuchtigkeit Y über einen Zeitraum von Z hast du einen hohen Krankheitsdruck." Diese generischen Warnmeldungen sind unser Ausgangspunkt.

Wir sammeln, wann sie ausgelöst werden und setzen diese Ereignisse später mit der Reaktion des Nutzers in Verbindung.

4 Rückmeldung

‍Feedback ist der Motor des selbstlernenden Systems. Ein einfaches "das ist richtig/nicht richtig" sagt schon viel über die Qualität der Beratung aus. Wie bereits erwähnt, speichern wir dieses Feedback und vergleichen es mit den gegebenen Ratschlägen.

Auf diese Weise können maschinelle Lernalgorithmen auf individueller Ebene bestimmen, wie die Gewichtungsfaktoren für die persönliche Anbauberatung sein sollten, aber auch mehr Verbindungen zwischen den Datensätzen finden.

5 Die Zukunft vorhersagen

‍Mithilfe des ständig wachsenden Datensatzes und der Hilfe von maschinellem Lernen können wir Ratschläge oder Warnungen über das geben, was kommen könnte.

Der Landwirt wird so früher über klimatische Entwicklungen und ihre Auswirkungen auf sein Feld und seine Ernte informiert. So kann er schneller handeln.

6 Personalisierte Ernteberatung

‍Auf dieser Stufe erreichen wir die Anbauberatung 2.0 für den einzelnen Landwirt.

Die feinkörnige Messung ermöglicht es, Bewirtschaftungsmaßnahmen auf einer sehr präzisen Ebene auszuführen. Durch die vielen Informationen, die in das System eingespeist und von den Algorithmen des maschinellen Lernens analysiert werden, wird der Erkenntnisgrad enorm erhöht. Das Ergebnis sind lokalisierte, personalisierte Anbauempfehlungen.

Die automatisierte, maßgeschneiderte Anbauberatung ist extrem detailliert, wirkt präventiv und ist dennoch zielgerichtet. Sie bieten die Möglichkeit, jede Maßnahme zum richtigen Zeitpunkt durchzuführen, um die Effizienz von Ertrag und Ressourceneinsatz zu optimieren.