Nutzpflanzenanbau
Für den Nutzpflanzenanbau sind verschiedene Technologiegebiete relevant, die beim Nutzpflanzenanbau auf freiem Feld, d. h. der Kultivierung von Pflanzen und Bäumen, eine Rolle spielen. Sie decken den gesamten Anbauzyklus ab, von der Bodenbearbeitung (Pflügen) über die Aussaat und Düngung bis zur Ernte und die Vermeidung von Verderb während der Lagerung. Auch die Forstwirtschaft fällt in diese Kategorie. In allen diesen fünf Bereichen bringt die Digitalisierung beträchtliche Vorteile mit sich, denn sie ermöglicht größere Präzision bis hin zur Ebene der einzelnen Pflanze. So lassen sich die Erträge steigern und gleichzeitig der Einsatz von Ressourcen und anderen Inputfaktoren wie Wasser, Dünger, Saatgut oder Arbeit minimieren.
- Bodenbearbeitung
Die Bodenbearbeitung soll die Bodenstruktur verbessern, die Bodenbelüftung erhöhen und die Wasserinfiltration fördern und so letztendlich optimale Bedingungen für das Keimen und das Wachstum der Pflanzen schaffen. In die Kategorie Bodenbearbeitung fallen sämtliche relevanten Informationen über Werkzeuge, Methoden und Landmaschinenteile für Maßnahmen, die größere Präzision bei der Furchenziehung, beim Pflügen, bei der Bestellung, der Erdbewegung, der Bodenöffnung, der Bodenglättung usw. ermöglichen. Heutzutage revolutionieren digitale Tools und Technologien die Bodenbearbeitung, machen sie nachhaltiger und effizienter und helfen den Landwirten dabei, den Anbauertrag zu optimieren und gleichzeitig die Umweltauswirkungen zu minimieren.
Sensortechnik und Bildgebung
Bodensensoren und bildgebende Tools erstellen detaillierte Kartierungen von Feuchtigkeit, Bodenverdichtung und Bodentextur, was eine gezielte Bodenbearbeitung für ein ideales Saatbett ermöglicht. So können am Anbaugerät eines Traktors angebrachte Feuchtigkeitssensoren die Bodenfeuchtigkeitsdatenin Echtzeit übertragen, sodass der Landwirt allzu feuchte Flächen noch nicht pflügt. Das verhindert unnötige Feldüberfahrten.
Datenverarbeitung und Künstliche Intelligenz (KI)
Durch die Einspeisung historischer Ertragsdaten, Bodenprobeergebnissen und Wetterdaten in Modelle für maschinelles Lernen erhalten die Landwirte präzise Empfehlungen z. B. zum optimalen Zeitpunkt und zur optimalen Intensität der Bodenbearbeitung. Eine Hofmanagement-Plattform kann frühere Bodenverdichtungsmuster analysieren, sodass – gestützt auf GPS-Daten – lediglich Teile des Feldes befahren werden. Das spart Treibstoff und Arbeitsaufwand und verbessert gleichzeitig die Bedingungen für eine optimale Durchwurzelung.
Automatisierung und Robotik
Autonom arbeitende Bodenbearbeitungsmaschinen nutzen moderne GPS-Technologie und verwenden Sensoren, um die Tiefe und den Grad der Bodenbearbeitung automatisch anzupassen. So wird eine konsistente und optimale Bodenaufbereitung ohne Ermüdungserscheinungen bei den Fahrern ermöglicht. Außerdem trägt dies zur Bewahrung der Bodenfeuchte bei.
Drohnen
Multispektral-Drohnen zeigen Stellen auf, an denen durch eine zu starke Verdichtung des Unterbodens Pflanzenstress entsteht. Das ermöglicht es, dort gezielt Belüftungsmaßnahmen zu ergreifen, ohne das gesamte Feld zu bearbeiten. Wärmebilder können z. B. Saatreihen mit Kümmerwuchs aufzeigen, sodass das Wurzelwachstum durch gezielte Bodenbearbeitung verbessert werden kann.
- Aussaat und Düngung
Zur Aussaat gehört das Pflanzen von Saatgut, Sämlingen, Pflanzen, Zwiebeln und/oder Knollen, um damit Erträge zu erzielen. Bei der Düngung werden dem Boden Nährstoffe zugesetzt, um das Pflanzenwachstum und den Ertrag zu verbessern. Es gibt sowohl organische Dünger (z. B. Kompost, Gülle) als auch anorganische (z. B. chemische Düngemittel). KI und maschinelles Lernen ermöglichen eine autonome, hoch präzise Aussaat und Düngung. Dafür werden Bilder der Aussaat und der Pflanzen analysiert, um den aktuellen Wuchszustand festzustellen und den Düngebedarf abzuschätzen. Mithilfe historischer Daten können Empfehlungen für präzise Saatmuster erstellt werden. Durch Präzisionsdüngung lässt sich der Gesamteinsatz von Dünger beträchtlich verringern. So lässt sich der Einsatz von Stickstoff durch variable Ausbringung um bis zu 75 % reduzieren, ohne dass ein Ertragsrückgang festzustellen war.
Sensortechnik und Bildgebung
Hochwertige Sensoren liefern genauere und verlässlichere Daten, wie sie für effektive KI-basierte Anwendungen in der digitalen Landwirtschaft vonnöten sind. Sie können damit wichtige Informationen für Aussaat und Düngung geben. Bei der Pflanzung können z. B. mit optischen Sensoren und Durchsatzmessgeräten ausgestattete Bohrer in Echtzeit überprüfen, ob das richtige Volumen an Saatgut und Dünger in der richtigen Tiefe ausgebracht wird. Kameras können das Schließen der Saatfurchen und den Kontakt zwischen Saatgut und Erdreich überwachen und auf Blockaden oder Auslassungen hinweisen. Gleichzeitig können Reflektionssensoren im Nahinfrarotbereich den Nährstoffgehalt des Bodens direkt vor der Sämaschine messen. Anhand all dieser Daten können die Landwirte die Einstellungen unverzüglich anpassen, um einen gleichmäßigen Bewuchs und eine optimale Nährstoffverteilung sicherzustellen.
Datenverarbeitung und KI
KI-gestützte Empfehlungskarten können Bodenfruchtbarkeit, historische Erträge und Prognosedaten so kombinieren, dass die Aussaatstärke und die Düngerausbringung entsprechend angepasst werden können. Mithilfe KI-gestützter Hofmanagement-Plattformen lassen sich z. B. Daten von Bodenproben, historische Daten zu Ertragsschwankungen und lokale Wetterprognosen kombinieren, so dass eine variable Ausbringung ermöglicht wird. Die Empfehlungen geben genau an, welche Menge an Saatgut und Dünger in jeder einzelnen GPS-definierten Zelle des Netzes benötigt werden. Wenn sie in die Sämaschinen eingespeist sind, kann das System den Ausstoß von Saatgut und Dünger dynamisch an das agronomische Potenzial der jeweiligen Zellen anpassen.
Automatisierung und Robotik
Mithilfe von Sensordaten, GPS und KI-Inputs können Landmaschinen hoch präzise Aussaat-, Pflanz- und Düngeprozesse durchführen. Robotergesteuerte Sämaschinen können z. B. die Aussaatstärke und die Düngerausbringung autonom anhand ihrer GPS-Position und der Bodenparameter anpassen. Sie können zum Beispiel ohne menschlichen Eingriff die Ausbringung auf sandigen Flächen verlangsamen, um die Aussaattiefe konstant zu halten. Präzisionsdüngung kann den Gesamteinsatz von Dünger beträchtlich verringern und die Abschwemmungen in Gewässer minimieren.
Drohnen
Während der Anbauzeit können Drohnen den Feldanbau unterstützen, indem sie junge Setzlinge gezielt mit Mikronährstoffen oder Blattdünger besprühen. Nach dem Aufgang der Saat können Drohnen anhand von Karten zur Pflanzenqualität zu kümmerwüchsigen Stellen entsendet werden, um dort mit Präzisionsdüsen flüssige Nährstoffe auszubringen. Eine solche Blattdüngung aus der Luft gleicht Nährstoffmängel aus, bevor das Wachstum der jungen Pflanzen beeinträchtigt wird, und mindert den Bedarf an großflächigen Feldsprengungen. Dies ist vor allem dann vorteilhaft, wenn Traktoren die Felder aufgrund von Feuchtigkeit nur schlecht befahren können oder wenn enge Terrassen bewirtschaftet werden.
Minimale Bodenbearbeitung vor der Aussaat
Als minimale Bodenbearbeitung wird eine reduzierte oder konservierende Bodenbearbeitung bezeichnet. Dafür wird der Boden bei der Vorbereitung des Saatbetts möglichst wenig bearbeitet, um Erosion zu mindern und die Bodengesundheit zu verbessern. Das Saatgut wird nicht so tief eingebracht wie bei traditionellen Methoden wie Pflügen. Häufig werden Techniken wie Streifenbearbeitung bzw. Zinken oder Scheiben zur Ziehung enger Pflanzreihen eingesetzt.
Minimierung von gasförmigen Schadstoffemissionen und Ausschwemmungen
Durch Maßnahmen zur Reduzierung von Stickstoffverlusten und zur Verbesserung der Nährstoffaufnahme lässt sich die Emission von gasförmigen Schadstoffen bei Aussaat und Düngung minimieren. Darunter fallen die Auswahl des richtigen Düngers, die Ausbringung zum richtigen Zeitpunkt und im richtigen Umfang oder gegebenenfalls alternative Düngemethoden wie eine biologische Stickstofffixierung oder der Einsatz organischer Düngemittel. Ein pflugloser Anbau oder ein besseres Güllemanagement können Emissionen und Ausschwemmungen ebenfalls beträchtlich reduzieren.
- Ernte
Die Kategorie Ernte umfasst zahlreiche Technologien und Methoden für das Abernten von Nutzpflanzen sowie das Mähen von Gras oder ähnlicher Grünpflanzen. Im 19. Jahrhundert wurde die Getreideernte durch die Erfindung des Mähdreschers revolutioniert, weil Mähen, Dreschen und die Trennung von Getreide und Spreu jetzt in einem Arbeitsgang erledigt werden konnten. Heute wird die Erntetechnik in der digitalen Landwirtschaft durch den Einsatz von Technologien wie GPS, Sensoren und Datenanalytik unter Einsatz von KI grundlegend geändert. Dies ermöglicht Präzisionsernteverfahren zum optimalen Zeitpunkt und verbessert die Effizienz und Nachhaltigkeit der Ernteeinbringung.
Sensortechnik und Bildgebung
Während der Ernte können mit LiDAR-Technik (Light Detection and Ranging-Technik) und hyperspektralen Sensoren ausgestattete Mähdrescher das Getreide auf dem Halm scannen, um den Feuchtigkeitsgehalt, die Größe und den Sitz der Körner in Echtzeit zu ermitteln. Diese Daten werden in die Steuerungseinheit des Mähdreschers eingespeist, die dann die Haspelgeschwindigkeit, die Schneidwerkshöhe und die Einstellungen für die Dreschtrommel anpasst, um das Getreide optimal von der Spreu zu trennen und die Verluste durch zerquetschte Körner zu minimieren. Mithilfe der integrierten bildgebenden Verfahren lässt sich auch die Qualität der Erträge ermitteln, um das Getreide auf den Folgestufen passend zu lagern und sinnvoll zu verarbeiten. So stellt die intelligente Sensortechnik sicher, dass die Ernte jederzeit den vorgegebenen Qualitätsstandards entspricht, was die Lagerhaltung optimiert und den Marktwert maximiert.
Datenverarbeitung und KI
Die Nutzung von Daten und KI kann die Ernte in vielerlei Hinsicht beeinflussen. Mithilfe von durch maschinelles Lernen ermittelten Algorithmen lässt sich zum Beispiel der optimale Erntezeitpunkt anhand von Analysen des Reifegrads und unter Einbeziehung von Wettervorhersagen und Bodenbedingungen bestimmen. KI-Modelle können optimale Ernterouten empfehlen, um die Fahrzeit bis zur Füllung der Mähdrescherbehälter zu minimieren, zum Wechsel der Entladestellen raten und sogar die am Ende des Arbeitstags erreichte Tonnage prognostizieren und so die Logistik (Lagerung bzw. Transport der Ernte) optimieren. Diese Echtzeitdaten erleichtern es den Landwirten, auf unterschiedliche Feldbedingungen wie feuchte Standorte oder Nutzungsänderungen zu reagieren, ohne zwischendurch zum Hof zurückfahren zu müssen. Cloud-Plattformen speichern und analysieren die Ertragsdaten von ans Internet der Dinge (IoT) angeschlossenen Mähdreschern, sodass die Landwirte über Cloud-Systeme in Echtzeit über den Erntefortschritt und die Leistung der Maschinen informiert sind.
Automatisierung und Robotik
Autonom fahrende Erntemaschinen, die von Hochpräzisions-Positionsangaben geleitet werden, führen das gesamte Ernteverfahren vollständig durch und müssen dabei vom Menschen kaum beaufsichtigt werden. Von der Navigation über die Mahd bis zum Dreschen und Entladen der Getreidebehälter erfolgen alle Prozesse automatisch anhand vorab festgelegter Algorithmen und laufender Sensorüberwachung. Die Maschinen überwachen ihre Leistung, melden Wartungsbedarf an und fahren rund um die Uhr auf die Felder, wobei lediglich eine Fernüberwachung erfolgt. Diese Automatisierung hilft, Personalengpässe während der Erntephase abzumildern, und weil Ermüdung keine Rolle spielt, kann der Betrieb rund um die Uhr weitergehen.
Drohnen
Vor der Ernte können sich die Landwirte durch Drohnenüberflüge aus der Luft ein Bild vom Reifegrad der Pflanzen, vom Feuchtigkeitsgradienten und von Stellen mit Lagergetreide machen. Wärmebilddrohnen können Felder in der Dämmerung (wenn Temperaturunterschiede an der Oberfläche des Bestands deutlich zu erkennen sind) in einem Rastermuster überfliegen und so erkennen, welche Bereiche trocken genug für einen sicheren Mähdreschereinsatz sind. Diese Bereiche können dann zuerst abgeerntet werden, um zu vermeiden, dass die Getreidekörner zerbrechen oder verderben. Drohnen können zudem die Ernte selbst durch Echtzeitdaten von Sensoren unterstützen.
- Reduzierung des Ausschusses
In der Landwirtschaft geht es bei der Reduzierung des Ausschusses um Strategien und Praktiken, mit deren Hilfe Ernteverluste bzw. Verluste von Lebensmittelprodukten entlang der Lieferkette von der Herstellung bis zum Verbrauch minimiert werden sollen. Dazu gehören bessere Erntetechniken, passendere Lagerbedingungen, die Optimierung des Transports und effiziente Verarbeitungs- und Verpackungsverfahren, um die Haltbarkeit zu verlängern und die Qualität zu bewahren. Dadurch entstehen weniger Lebensmittelabfälle, und es sind mehr Lebensmittel verfügbar. Hier kommen technische Aspekte ins Spiel, z. B. Maschinen und Methoden für das Schälen von Getreide oder das Trennen von Getreide und Stroh, Geräte für den Transport der Ernte wie Transportbänder, Aufzüge und sonstige Maschinen oder Verbesserungen der Logistik zur Optimierung von Lagerung und Transport. Mithilfe von KI-Algorithmen können Lagerung und Transportwege optimiert werden, sodass möglichst wenig Verzögerungen und möglichst wenig Lebensmittelabfälle entstehen. Auf Cloud-Plattformen lassen sich Quantität und Qualität der Erzeugnisse in Echtzeit nachverfolgen, was zu größerer Lieferketten- und Energieeffizienz führt.
Sensortechnik und Bildgebung
Bildverarbeitungssysteme können die Erzeugnisse nach Größe, Qualität und Reife kategorisieren, sodass die hochwertigsten Produkte direkt vertrieben werden und Produkte mit geringerer Qualität in die industrielle Lebensmittelerzeugung gehen. Auch die Überwachung des Feuchtigkeitsgrads während der Lagerung und Produktion ist wichtig, da Keimvorgänge oder Schimmelbefall zu wirtschaftlichen Verlusten führen können.
Datenverarbeitung und KI
Cloud-Plattformen können Sensordaten aus Lagern und externen Wettervorhersagen miteinander kombinieren, um Risikomodelle für den Verderb zu berechnen. KI-Algorithmen können optimale Lüftungspläne, die Sollfeuchte und die Dauer des Ventilatorbetriebs berechnen, um den angestrebten Feuchtigkeitsgrad sicherzustellen. Das System steuert die Lüftung automatisch bzw. macht Meldung, falls manuelle Eingriffe (z. B. Wenden des Korns) erforderlich sind. KI kann auch beim Lagermanagement und der Planung der Transportlogistik behilflich sein, um die Bestände möglichst rasch zu vermarkten.
- Forstwirtschaft
Die Kombination aus Forst- und Landwirtschaft wird häufig als Agroforstwirtschaft bezeichnet. Dabei werden Waldressourcen zur Erzeugung von Holz, Nicht-Holzprodukten und Ökosystem-Dienstleistungen eingesetzt. Darunter fallen verschiedene Aspekte der Forstwirtschaft, z. B. der Anbau, die Verwaltung und der Schutz von Wäldern, Technologien und Methoden für die Anpflanzung, die Pflege und Ernte von Bäumen und das Management von Waldökosystemen unter Umweltaspekten. Die Forstwirtschaft ist ein komplexes und facettenreiches Gebiet, auf dem ökologische, wirtschaftliche und gesellschaftliche Aspekte zu berücksichtigen sind. Daran lässt sich erkennen, wie wichtig nachhaltige Managementpraktiken sind. Der Einsatz von Drohnen und KI-Algorithmen kann die Kartierung im Sinne einer Präzisions-Agroforstwirtschaft verbessern.
Sensortechnik und Bildgebung
In der Waldbewirtschaftung können boden- und luftgestützte LiDAR-Systeme eingesetzt werden, um 3D-Modelle der Bestandsstruktur zu erzeugen, die die Baumhöhe, die Dichte des Kronendachs und die Biomasse des Unterholzes erfassen. Zusammen mit multispektraler Bildgebung können diese Karten Aufschluss über Wachstumsraten, Dürrestress und Schädlingsbefall auf einzelnen Flächen geben. Forstwirte können anhand dieser Daten Durchforstungsmaßnahmen anstoßen und dafür sorgen, dass die mit den größten Ertragschancen oder dem größten Schutzwert bevorzugt betreut werden. Die Bildgebung dokumentiert auch Veränderungen im Zeitablauf, was dabei hilft, den Durchforstungs-, Fällungs-, Pflanz- und Schnittbedarf, etwaigen Brandbedarf und die Vorbereitung von Flächen für neue Setzlinge zu beurteilen.
Datenverarbeitung und KI
KI-Plattformen können Satelliten- und Drohnenbilder, die Ergebnisse von Wachstumsmodellen und Bodenkarten verarbeiten, um das Holzvolumen, die potenzielle CO2-Abscheidung und die Verbreitung eventueller Krankheiten zu prognostizieren. Das System kann verschiedene Ernterotationsszenarien simulieren und so Fällungspläne optimieren, um einen möglichst hohen wirtschaftlichen Ertrag mit ökologischer Nachhaltigkeit zu vereinbaren. KI kann auch dazu beitragen, optimale Fahrverläufe für Forstmaschinen zu ermitteln.
Automatisierung und Robotik
Roboter werden auch in schwierigem Gelände zunehmend für das Pflanzen, den Schnitt und die Ernte von Bäumen eingesetzt. Automatisierte Erntemaschinen verarbeiten die Stämme vor Ort in industriefertige Klötze mit vorab festgelegter Länge und einem vorab festgelegten Durchmesser, die das passende Format für automatisierte Stammlader haben. Die Lagerführung und das Bestandsverzeichnis werden automatisch bereits beim Fällen aktualisiert.
Drohnen
Drohnen können in der Forstwirtschaft zahlreiche Funktionen übernehmen: Sie können Sensoren tragen, mit deren Hilfe Daten als Entscheidungs- oder Modellgrundlage gesammelt werden, sie können mit Nährstoffpellets präpariertes Saatgut ausbringen oder abgebrannte oder abgeholzte Flächen mit Mykorrhizasporen impfen. Sie können auch Proben im Kronendach nehmen oder sogar mit Baumschnittgeräten ausgestattet werden.