Daten aus dem landwirtschaftlichen Betrieb dienen als Grundlage, um autonome Fahrzeuge auf dem Hof einzusetzen, das Tierwohl mithilfe von Sensorik sicherzustellen und zu verbessern und neue Verfahren des Pflanzenanbaus zu ermöglichen. Spot Farming ist ein neue – bisher experimentelle – Form des Pflanzenanbaus, bei der die Grundbedürfnisse der Kulturpflanzen intensiver als bisher im Fokus stehen. Der heterogene Acker wird dafür in kleine Bereiche mit gleichen Eigenschaften eingeteilt und mithilfe von autonomen Maschinen standort- und einzelpflanzenspezifisch bewirtschaftet. Ziel ist die nachhaltige Intensivierung des Pflanzenbaus, d. h. mit weniger Input an Dünge- und Pflanzenschutzmitteln mehr Ertrag zu erwirtschaften. Die Wissenschaftler*innen des Zukunftslabors Agrar untersuchen die Datengrundlage, die für die Einteilung der Spots notwendig ist. Dabei fanden sie heraus, dass eine Kombination aus Bodenschätzungskarten, Bodenkarten, digitalen Geländemodellen und Run-off-Daten eine gute Grundlage bieten. Bodenschätzungskarten stellen nützliche Informationen über die Bodenart bereit, Bodenkarten geben Aufschluss über den Bodentyp, digitale Geländemodelle liefern ein Relief der Landschaft im Zehn-Meter-Raster und Run-off-Daten informieren über Oberflächenabflussdaten. Satellitendaten und Ertragsdaten wurden bisher nicht in die Generierung einbezogen, bieten jedoch das Potenzial, im weiteren Vorgehen als Zusatzinformationen genutzt werden zu können.
Um zu prüfen, ob sich die Kartendaten für die Einteilung des Landes in Spots eignen, führten die Wissenschaftler*innen eine Befragung bei Landwirt*innen durch. Mithilfe eines Fragebogens ermittelten sie, inwiefern die beschriebenen Karten mit der Realität auf ihrem Hof übereinstimmen. Das Ergebnis: Die Datengrundlage stimmte gut bis sehr gut mit den Bedingungen vor Ort überein. Teilweise waren die Karten nicht ausreichend hochauflösend (z. B. bei Senkungen auf dem Feld, wo sich Wasser sammeln kann), aber die Datengrundlage war dennoch gut geeignet, um die Bedingungen auf dem Feld real darzustellen. Im weiteren Projektverlauf werden die Wissenschaftler*innen weitere Parameter in die Generierung von Spots einbeziehen, z. B. die Fahrgassenplanung (wo fahren die Maschinen/Roboter?), Biodiversitätselemente (wie können diese im Spot integriert werden?), Größe der Spots (wie groß sollte ein Spot sein, um sinnvoll bewirtschaftet werden zu können?).
Die Daten, die für das Spot Farming relevant sind, bilden die Wissenschaftler*innen in einer Simulationsumgebung ab. Dadurch können sie die wechselseitige Beeinflussung verschiedener Parameter (z. B. der Einfluss von Unkrautverbreitung auf den Ertrag) darstellen und den Einsatz neuartiger Maschinen- und Anbaukonzepte simulieren. Hier stellt sich die Frage, welche Spotgröße in Abhängigkeit der Konzepte und der Bodenart sinnvoll ist.
Wir bilden in der Simulation real existierende landwirtschaftliche Betriebe des Ackerbaus ab, dazu gehören unter anderem die Betriebsstellen, eingesetzte Maschinen und zugehörige Felder. Das verbindende Element stellen die einzelnen Prozessketten für die angebauten Feldfrüchte dar wie Getreide und Hackfrüchte. Davon ausgehend simulieren wir, welche Auswirkungen und Mehrwerte das Spot Farming auf den Maschinenpark und neue -konzepte hat. In Betracht kommen Drohnen- und Roboterschwärme, aber auch die Veränderung des bestehenden Maschinenportfolios. Die Kernidee des Spot Farmings ist es, pflanzenbauliche und technische Aspekte gemeinschaftlich unter den Nachhaltigkeitsaspekten zu optimieren.
Parallel dazu erstellen die Wissenschaftler*innen den digitalen Zwilling eines Roboters (BoniRob) und eine Applikation zur mechanischen Unkrautregulierung, sowie die Modelle von Feldern und Gebäuden eines realen landwirtschaftlichen Hofes. Mithilfe dieser Modelle, können sie verschiedene Forschungsaspekte simulieren. In der 3D-Simulationsumgebung werden drei Navigationsmodi getestet. Im ersten Modus nimmt der Roboter bei der ferngesteuerten Überfahrt auf dem Feld die Ortsinformationen des GPS-Moduls (Global Positioning System) auf und navigiert dann im zweiten Schritt autonom exakt auf derselben Strecke. Im zweiten Modus werden einzelne GPS-Positionen in einem GIS (Graphical Information System) gesetzt und von dem virtuellen Roboter nacheinander angefahren. Bei jedem dieser Punkte findet dann eine Messung, wie z.B. eine Bodenprobeentnahme oder eine Bodenfestigkeitsmessung, statt. Im dritten Modus wird Mais in Reihen auf dem Feld ausgebracht und mit GPS-Daten versehen, sodass der Roboter die Maispflanzen autonom abfahren und zur Unkrautregulierung eingesetzt werden kann. Diese drei Anwendungsfälle können von der Simulation direkt auf den realen „BoniRob“ übertragen werden, um dann die Funktionen im weiteren Verlauf auf dem Testfeld zu prüfen.
Das Modell des Hofes diente den Wissenschaftlicher*innen auch dazu, die Roboternavigation auf dem Hof und zwischen den Feldern zu analysieren. Sie fügten in der Simulation Informationen über die Beschaffenheit des Bodens hinzu (z. B. Gras, Schotter, Pflastersteine, Beton) und versahen diese mit Kosten. Wenn der Roboter z. B. über eine Grasfläche fährt, dann entstehen ggf. Kosten für die Wiederherstellung des Grases. Auf diese Weise erstellten die Wissenschaftler*innen Navigationskarten, die dem Roboter mitteilen, auf welchem Untergrund sie fahren sollen. In die Simulation können auch spontane Ereignisse wie Niederschlag aufgenommen werden, die sich auf den Boden auswirken und damit ggf. die Fahrt des Roboters beeinflussen. Die Wissenschaftler*innen testeten verschiedene Szenarien (z. B. von Feld A zu Feld B fahren und dabei wahlweise einen Schotterweg oder einen asphaltierten Weg nutzen).
Daten aus der landwirtschaftlichen Praxis können z. B. auch für die Erhebung und Bewertung des Gesundheitszustandes von Tieren genutzt werden. Insbesondere sensor- und bildgestützte Verfahren ermöglichen es, verändertes Verhalten frühzeitig zu erkennen und kritischen Entwicklungen vorzubeugen. Am Anwendungsfall Masthuhn untersuchen die Wissenschaftler*innen den Einsatz von Kameras, die im Stall z. B. die Verteilung und Bewegung der Hühner erfassen, und Sensoren, die Informationen über das Stallklima liefern. In diesem Zusammenhang prüfen die Wissenschaftler*innen zunächst, was der Normalzustand bezüglich Bewegung, Gewicht, Gefieder, etc. ist, welche Abweichungen normal sind und ab wann sie auffällig werden. Im nächsten Schritt prüfen sie die technisch erhobenen Daten auf ihre Plausibilität (lückenlose Datenerfassung, Ausreißerdaten, etc.).
Die Digitalisierung kann als unterstützende Komponente im Bestandsmanagement für die Sicherstellung von tiergerechten Haltungssystemen eine enorme Chance sein. Über Sensoren und Kameras ist es möglich, Verhaltensstörungen wie z. B. Federpicken rechtzeitig zu erkennen und entsprechende Maßnahmen einzuleiten. Somit kann ein valides Frühwarnsystem aufgebaut werden. Wichtig dabei ist, die Indikatoren für verändertes Verhalten der Tiere richtig zu wählen und die Messungen der Sensoren und Kameras korrekt zu interpretieren. Problematisch wird es, wenn die Daten aus dem Betrieb missbraucht werden, indem z. B. Laien bzw. Personen ohne ausreichende Fachkenntnis die Informationen falsch interpretieren und dadurch sowohl dem Tierhalter als auch der Branche schaden.
Am Teilprojekt „Praxisorientierte Autonomisierung landwirtschaftlicher Prozesse“ sind folgende Wissenschaftler*innen involviert:
