© istockphoto.com/mariusz_prusaczyk

Ackerlandbewertung made by KI

Steinbeis-Experten helfen das Agrarökosystem in Afrika zu verbessern

Die Einsatzbereiche der künstlichen Intelligenz sind vielfältig – das Horber Steinbeis-Transferzentrum Industrielle Digitalisierung ist in einem buchstäblich bodenständigen Bereich, der Landwirtschaft, unterwegs. In seinem wegweisenden Projekt „Entwicklung der landwirtschaftlichen und Regenwaldgebiete in Afrika“ unterstützte es internationale Non-Profit-Forschungsorganisationen für Nahrung und Agrar mit seinem Fachwissen, insbesondere bei KI-Themen. Die beteiligten Forschungseinrichtungen engagierten sich überwiegend ehrenamtlich für den grenzüberschreitenden Umwelt- und Naturschutz in Afrika und setzen dabei auf die Zusammenarbeit mit in den jeweiligen Ländern ansässigen Organisationen. Das Steinbeis-Team entwickelte im Rahmen des Projektes Datenmodelle, Algorithmen der künstlichen Intelligenz und Analysemodelle für ein Vegetationsmanagement, mit dem Ziel den Vegetationszustand der landwirtschaftlichen Gebiete in Afrika regelmäßig zu bewerten.

Dabei kombinierten die Steinbeis-Experten künstliche Intelligenz, Datenanalyse und landwirtschaftliche Internet of Things (IoT)-Daten mit dem Fachwissen erfahrener Agrarwissenschaftler und trugen auf diese Weise dazu bei, Hindernisse der digitalen Transformation im Agrarbereich zu überwinden. Das Ergebnis ist eine Lösung, die es erlaubt schnelle und fundiertere landwirtschaftliche Entscheidungen zu treffen. Dadurch wurde die Möglichkeit geschaffen, das gesamte Agrarökosystem in Afrika zu verbessern.

Das wesentliche Ziel des Projektes war die Ermittlung des Wachstumsstatus und der Veränderung von Pflanzen in Gebieten, in denen der Niederschlag weniger als 80 % des klimatologischen Normalwertes beträgt, und der daraus resultierenden Veränderung der Nutzfläche. Das Steinbeis-Team legte dabei den Fokus auf die Datenvalidierung, da intelligente Lösungen konsistente Daten und Datenmodelle benötigen. Wichtig war die Harmonisierung der Daten, das heißt das Erkennen von inkonsistenten Daten, zum Beispiel sogenannten „Ausreißern“, die zu bereinigen sind, ohne dass dafür vorab klare Regeln definiert werden müssen. Aufgrund weiterer Unterschiede in den zeitlichen Perioden oder bei den Datenformaten war eine Standardisierung der Datenmodelle und Formate notwendig.

Die entwickelte Lösung identifiziert die risikoreichen Kreisläufe oder Korridore, die höchstwahrscheinlich die größten Auswirkungen auf die Vegetation haben. Die berechneten Scores und KPIs unterstützen effizient bei der Priorisierung und Entscheidungsfindung möglicher Handlungsfelder. Steinbeis-Projektleiter Hans-Dieter Wehle spricht in diesem Zusammenhang vom ersten und wichtigen Schritt auf dem Weg zu einer intelligenten Landwirtschaft und optimierten Lebensmittelversorgungskette.

Dateninfrastruktur im Überblick

Alles fängt mit Daten an

Dafür wurden unterschiedliche öffentlich zugängliche spatio-temporale Daten benutzt, die durch NASA-Satelliten und das European Center for Medium- Range Weather Forecasts (ECMWF) bereitgestellt wurden. MODIS (Moderate Resolution Imaging Spectrometer) an Bord des NASA-Satellits Aqua lieferte die für die Berechnung benötigten NDVI (Normalized Difference Vegetation Index)-Daten, während der NASA-Satellit Terra alle eins bis zwei Tage Erdoberflächenbeobachtungen zur Verfügung stellte.

MODIS bildet die Erde in 36 verschiedenen Spektralbändern (Wellenlängenintervalle) ab und bietet räumliche Auflösungen von 250 m, 500 m oder 1.000 m. Die Bilder stellen 1.200 x 1.200 km in Form von je 4.800 Zeilen und Spalten von 16-Bit-Integer mit Vorzeichen dar. Für jedes Pixel wird der beste Wert aus einem 16-Tage-Zeitraum ausgewählt, um Fehler durch Wolkenbedeckung und Betrachtungswinkel zu minimieren und den NDVI zu maximieren. NDVI ist ein standardisiertes Maß für lebende grüne Vegetation, das durch das Verhältnis der Differenz zwischen den NIR (Near-infrared Reflectance)- und roten Spektralbändern zur Summe dieser Bänder berechnet wird. Dadurch wird es möglich die Vegetation zu visualisieren, da Pflanzenblätter fast das gesamte einfallende nahinfrarote Licht reflektieren, während sie das Rot im Chlorophyll absorbieren. Die Daten des ECMWF umfassen Vorhersagen und Ansammlungen von Ereignissen wie Schneefall, Wind, Sonneneinstrahlung etc., die eine wesentliche Rolle für die kontextbasierte Analyse und die visualisierte Darstellung der Ergebnisse spielen.

Werte nahe Null (-0,1 bis 0,1) entsprechen im allgemeinen kargen Bereichen aus Fels und Sand, hier in der Farbe Ocker dargestellt. Hellgrün steht für niedrige, positive Werte wie Busch- und Grasland (ca. 0,2 bis 0,4), während hohe Werte in der Farbe Grün für gemäßigte und tropische Regenwälder stehen. Auf der rechten Seite der Grafik sieht man den Verlauf des Vegetationsindex über vier Monate und einen Vergleich zwischen den verschiedenen Lokationen. Des Weiteren ist der absolute Wert zwischen den Vergleichsstandorten angezeigt.

Das Steinbeis-Team setzte unterschiedliche KI-Tools und -Techniken ein: So nutzten die Experten zum Beispiel Data Mining-Beobachtungstechniken wie die „Assoziationsanalyse“ zur Suche nach Zusammenhängen zwischen den Daten zur Identifizierung der Schlussfolgerungsregel und die Clusteranalyse zur Bildung von Datengruppen, die größere Ähnlichkeiten zueinander aufweisen als zu anderen Datengruppen.

Das Ergebnis der Datenanalyse

Die analysierten Klimadaten aus den letzten zehn Jahren waren durch einen Anstieg der Temperaturen und eine Häufung extremer Wetter- und Klimaereignisse gekennzeichnet. Diese Veränderungen sind für die kontinuierliche Entwicklung einer Vegetation ungünstig und gehen in vielen Fällen mit der Vernichtung von Ackerland einher, was wiederum zur Abholzung von Regenwaldgebieten führt, um neue Ackerflächen zu erschließen.

Darstellung der ECMWF-Analyse: Die rot eingefärbten Bereiche zeigen die klimatisch ungünstigen Gebiete, die blau eingefärbten Bereiche sind für eine kontinuierliche Entwicklung der Vegetation geeignet.

Obwohl nur geringfügige Abweichungen von Jahr zu Jahr in Bezug auf die tatsächlich genutzten Flächen erkennbar sind, zeigen die Daten bezüglich der angepflanzten Ackerflächen eine jährliche Schwankung in den Anteilen relativ zur Gesamtanpflanzungsfläche und einen stetigen Anstieg der unfruchtbaren Fläche.

Das hat Potenzial!

Die Lösung automatisiert die funktionsübergreifende Datenübergabe zwischen Stakeholdern, schafft ein transparenteres, vernetztes Ökosystem und bringt Nutzen auch für die vor- und nachgelagerten Organisationen wie:

  • Lebensmittelhersteller, die dadurch integrierte Lieferketten mit besserem Erntezeitpunkt und besserer Mengenvorhersehbarkeit einführen können.
  • Kreditgeber für die Landwirtschaft, die damit die Ertragsleistung im Vergleich zum Potenzial überprüfen können.
  • Versicherungsagenten, die auf Basis der validierten Daten das Risiko besser einschätzen und so intelligentere Tarife für Erzeuger generieren können.
  • Regierungen, die eine Verbesserung ihrer Strategien zur Nahrungsmittelunabhängigkeit erreichen können, indem Erzeugern und Behörden ein gemeinsames Instrumentarium zur Verfügung gestellt wird.

Kontakt

Prof. Dr.-Ing. Tim Jansen (Autor)
Steinbeis-Unternehmer
Steinbeis-Transferzentrum Industrielle Digitalisierung (Horb)
www.idhorb.de

Hans-Dieter Wehle (Autor)
Steinbeis-Unternehmer
Steinbeis-Transferzentrum Industrielle Digitalisierung (Horb)
www.idhorb.de

215406-74