BonaRes (Modul A; Phase3): I4S- Integriertes System zum ortsspezifischen Management der Bodenfruchtbarkeit; Teilprojekt G: Entwicklung von Entscheidungsunterstützungssystemen und ökonomische Bewertung

Abstract

Die Aufgabenstellungen des Teilprojekts G „Entwicklung von Entscheidungsunterstützungssystemen (EUS) und ökonomische Bewertung“ umfasste einerseits die Auswertung der parallelen Datenströme von Sensoren auf den mobilen Plattformen „RapidMapper“ und „RapidProfiler“. Ziel war es, repräsentative ortsspezifische Bewertungen der Bodeneigenschaften vorzunehmen sowie Bewirtschaftungsmaßnahmen abzuleiten. Andererseits sollte die ökonomische Vorzüglichkeit des Einsatzes der Plattformen und die Akzeptanz der Technologie bei praktizierenden Landwirten und Dienstleistern untersucht und evaluiert werden. Nach zwei erfolgreichen Förderperioden stand im vorliegenden Berichtszeitraum daher im Vordergrund, das Entscheidungsunterstützungssystem (EUS) hinsichtlich Stabilität, Benutzerfreundlichkeit und Praxistauglichkeit zu optimieren. Aus sozioökonomischer Hinsicht bestand die Aufgabe darin, die in den Förderphasen 1 und 2 nachgewiesene Vorteilhaftigkeit kontinuierlich an neue witterungsbedingte Verhältnisse, an durch weltpolitisch beeinflusst hohe Preise für Betriebsmittel sowie an veränderte Sorten der Feldfrüchte und Fruchtfolgen anzupassen und deren Gültigkeit damit unter Beweis zu stellen. Ein weiterer ökonomischer Schwerpunkt bestand darin, diese betriebswirtschaftlichen Ergebnisse auf größere Flächen und Regionen zu extrapolieren. Der Sachstand zu Beginn des Projekts war, dass die Grundbodenuntersuchungen (GBU) gesetzlich vorgeschrieben sind und mittels Bodenproben im 1 bis 5 Hektarraster, je nach Schlaggrößen, und anschließender nasschemischer Analyse durchgeführt werden. Das Grundanliegen von I4S bestand und besteht darin, mithilfe von Multisensorplattformen in Verbindung mit KI-basierten Schätzmodellen die verschiedenen Bodenverhältnisse in höherer räumlicher Auflösung als bei der klassischen GBU und mit vergleichbarer oder besserer Genauigkeit die Gehalte ausgewählter Nährstoffe im Boden zu bestimmen. In den beiden ersten Förderphasen wurden hierfür mithilfe zahlreicher, teilweise noch nicht auf der Plattform verbauter Sensorik in eigenen Feldkampagnen umfangreiche Sensordaten erhoben und aufbereitet. Mit diesen Datensätzen wurden mittels unterschiedlicher Machine Learning Methoden verschiedene Schätzmodelle trainiert. Am Ende der zweiten Förderphase war ein EUS realisiert, dessen Bedienung und Anwendung allerdings eher technikaffinen Spezialistinnen und Spezialisten vorbehalten war. Neben den eigenen Arbeiten an Sensorik und Modellierung wurde das wissenschaftliche Umfeld mit ähnlichen Ansätzen und Produkten analysiert. Die sozioökonomischen Analysen auf betriebswirtschaftlicher Ebene konzentrierten sich auf das Einsparpotenzial von Dünger und die Steigerung von Erträgen infolge der verbesserten Datenbasis durch die höhere räumliche Auflösung und präzisere Bestimmung der Nährstoffgehalte. Diese positiven Ergebnisse galt es zu verallgemeinern, um daraus makroökonomische Aussagen zu erarbeiten. Darüber hinaus galt es, positive Auswirkungen, beispielsweise verringerte Nährstoffeinträge in Böden durch Stickstoff oder in Oberflächengewässern durch Phosphate, unter gesellschaftlichen und makroökonomischen Gesichtspunkten einzuschätzen.