Digital agricultural knowledge and information system (DAKIS) - AP 5.3 - Autonome, mobile Datenerfassung und teilautomatisierte Umsetzung der Applikation - Schwerpunkt: Identifikation von Biodiversitäts-Indikatorpflanzen im Grünland mittels Luftbildern unter Einsatz von Deep Learning Methoden

Abstract

Innerhalb des TP5, das sich mit der praktischen Implementierung des DAKIS-Systems befasst, war das ATB für das AP5.3 Robotik verantwortlich. Hier wurden wesentliche technische Grundlagen für die multikriterielle Optimierung landwirtschaftlicher Produktionsprozesse erarbeitet. Neben den Standardaufgaben des Datenmanagements wie der Erfassung, Verarbeitung und Analyse von RGB-, multispektralen und thermischen Daten aus Unmanned Aerial Vehicles (UAV) konzentrierte sich das ATB auf die Entwicklung eines semi-automatischen Systems zur Überwachung produktionsspezifischer Biodiversitätsmetriken. Diese dienen als Voraussetzung für die Einbeziehung der Biodiversitätssteigerung in die landwirtschaftliche Produktion als Ziel der Prozesssteuerung. Hierfür arbeitete das ATB eng mit den AP5.1 und AP5.2 zusammen, um die Anforderungen aus den Produktionsbereichen Grünlandbewirtschaftung und Agroforstwirtschaft umfassend zu erfassen und zu analysieren. Diese Erkenntnisse erleichterten die Entwicklung robuster, technologiebasierter Methoden zur Überwachung und Bewertung von Indikatoren für die landwirtschaftliche Biodiversität. Das ATB konzentrierte sich auf die Entwicklung autonomer Datenerfassungssysteme für terrestrische und luftgestützte Plattformen, um relevante Indikatoren für Ökosystemdienstleistungen (ESS) zu ermitteln. Hierzu wurden Daten, die mit RGB-, Multispektral- und Wärmebildsensoren gesammelt wurden, erfasst und analysiert. Es wurden technische Konzepte zur Identifizierung ausgewählter Indikatoren entwickelt, um eine zuverlässige Erfassung dieser Indikatoren zu ermöglichen. Darüber hinaus wurden die Anforderungen an die räumliche und zeitliche Auflösung für effektive Strategien zur Pfadplanung für die Indikatorüberwachung ermittelt. Schließlich wurde eine umfassende Analyse fortschrittlicher Datenanalysetechniken durchgeführt, die Deep Learning und andere Methoden der künstlichen Intelligenz umfassen, um ihre Wirksamkeit bei der Identifizierung von Indikatoren zu bewerten. Das ATB als technischer Experte und die HNEE als Grünlandexperten erkannten das große Potenzial für eine effiziente und skalierbare Lösung. Gemeinsam arbeiteten sie an der Entwicklung technischer Konzepte zur Erfassung von Grünlandindikatorarten und somit zur Überwachung der Biodiversität und Lebensraumqualität von Grünland. Nach einer gründlichen Literaturrecherche identifizierten wir unbemannte Luftfahrzeuge (UAVs), die mit hochauflösenden RGB-Sensoren ausgestattet sind, in Kombination mit modernsten Techniken der künstlichen Intelligenz (KI), insbesondere Deep Learning (DL), als vielversprechende Lösung. Aufgrund seines Potenzials, eine hochauflösende Datenerfassung mit hohem Durchsatz und eine präzise Identifizierung von Arten in verschiedenen Grünlandumgebungen zu ermöglichen, wurde dieser integrierte Ansatz ausgewählt. Ein technisches Konzept für ein halbautonomes Überwachungssystem wurde entwickelt, das Indikatorarten mit minimalen menschlichen Eingriffen genau erkennen kann. Ein solches System würde die herkömmliche, von Experten geleitete Überwachung ergänzen und verbessern, indem es detaillierte räumlich-zeitliche Erkenntnisse in größerem Maßstab und zu geringeren Kosten liefert. Die Entwicklung des Indikatorarten-KI-Modells als technischer Kern dieses innovativen Systems stellt einen großen Fortschritt dar, auf dem Weg zu einem automatisierten, digitalisierten und kostengünstigen Monitoring der biologischen Vielfalt in Grünlandökosystemen . Die Projektergebnisse bergen ein erhebliches Potenzial für die weiter Entwicklung und Umsetzung von automatisierten Biodiversitäts-Monitoringsystemen als Unterstützung ergebnisorientierter Agrarumweltprogramme. Die Ergebnisse fördern somit die ökologische Bewertungen und die Steuerung einer evidenzbasierten Grünlandbewirtschaftung.