Die präzise Verortung von Forstmaschinen ist von grundsätzlicher Bedeutung für eine nachhaltige, bodenschonende und gleichermaßen effiziente und sichere Holznutzung. Mit den bislang verfügbaren Empfängern für Globale Satellitennavigationssysteme (GNSS) ist eine zuverlässige Positionierung im Submeterbereich und in Echtzeit in Waldbeständen jedoch nicht möglich.

Ziel des Projekts ist daher die Entwicklung und Praxiserprobung technischer Systeme, die die für eine Satellitenpositionierung im Wald vorherrschenden, ungünstigen Rahmenbedingungen, wie z. B.  Abschattung, Beugung und ein schlechtes Signal-Rausch-Verhältnis, durch innovative GNSS-Antennentechnologie kompensieren und durch ergänzende Sensorfusion eine höhere Genauigkeit erzielen. Die Positioniergenauigkeit im Submeterbereich soll mit den im Projekt neu zu entwickelnden Technologien durchgängig und in Echtzeit sichergestellt werden.

Für Waldbesitzer, Forstbetriebe, Forstunternehmen und rohstoffverarbeitende Holzindustriebetriebe ergäben sich hierdurch erhebliche Verbesserungen hinsichtlich Arbeitssicherheit, Zuverlässigkeit bei der Einhaltung des Bodenschutzes als Aspekt der Umweltvorsorge und Erfüllung der Zertifizierungsanforderungen und Wirtschaftlichkeit der involvierten Betriebe.

Die pflanzliche Erzeugung steht vor dem Hintergrund des Bevölkerungswachstums, des Klimawandels und der gesellschaftlichen Forderungen nach einer ökologisch verträglicheren Landwirtschaft zunehmend unter Druck. Dies gilt insbesondere deshalb, weil die Teilziele „höhere Erträge“, „Optimierung der Produktqualität“ und „Anpassung an sich wandelnde Produktionsbedingungen (Klima, gesellschaftliche Vorgaben)“ teilweise im Konflikt miteinander stehen.

Die Züchtung ist eine Methode, mit der die Produktion bezüglich der oben genannten Anforderungen optimiert werden kann. Dies gilt besonders für die Anpassung an die mit dem Klimawandel zunehmende Variabilität der Niederschläge (Starkregen, längere Trockenperioden) als auch für die Züchtung auf Resistenz gegen Pflanzenkrankheiten und die damit möglicherweise einhergehende Reduktion beim Einsatz von Pflanzenschutzmitteln.

Der Züchtungsfortschritt steht dabei in direktem Zusammenhang mit der Anzahl der erzeugten Ausgangsvariabilität durch Kreuzung und daraus resultierend der angelegten Feldversuche zur Selektion der Zuchtstämme. Gleichzeitig steigt mit der Anzahl der Versuche auch der Aufwand für die Bonitur und die Laboranalysen. Die visuelle Beurteilung von Pflanzenbeständen (Bonitur) und die Entnahme und Analyse von Probenmaterial liefern die entscheidende Grundlage für die spätere Selektion. Gerade die Bonituren sind jedoch oftmals subjektiv und anfällig für menschliche Fehler. Der Züchtungsfortschritt wird aktuell weitestgehend durch die knappe Ressource „menschliche Arbeit“ im Feld und im Labor begrenzt.

Die vermehrten Entwicklungen und Forschungsarbeiten in der sensorgestützten Phänotypisierung bieten eine wachsende Anzahl an Möglichkeiten, Pflanzen- oder Bestandeseigenschaften zuverlässig und objektiv auf eine nicht destruktive Weise sowohl qualitativ als auch quantitativ zu erfassen. Zudem weisen vorhergehende Untersuchungen darauf hin, dass einzelne Sensoren (Multispektral) mehrere Merkmale simultan erfassen können.
Hierbei ist der Einsatz von UAV (Unmanned Aerial Vehicles) hervorzuheben. Mit UAV können Pflanzenbestände mit verschiedenen Sensoren wie Multi- und Hyperspektralkameras, Laser- und Thermalkameras mit geringem Zeitaufwand und hoher zeitlicher Frequenz überflogen werden. Die nachfolgende Verarbeitung der Daten (Zusammensetzen, Entzerren, Georeferenzieren, Zuordnen zu einzelnen Parzellen) ist jedoch aktuell nur mit speziellen Qualifikationen und erheblichem Zeitaufwand möglich. Zum jetzigen Zeitpunkt ist noch keine praxistaugliche Lösung am Markt verfügbar, welche die eigenständige Erhebung und Auswertung von sensorgestützten Daten ermöglichen würde. Grund dafür ist im Wesentlichen die bestehende Automatisierungslücke zwischen der Erfassung und der Verrechnung der Daten. Hauptziel des Projektes ist es daher, diese Lücke zu schließen und eine praxistaugliche, weitgehend automatisierte und optimierte Lösung für die Anwendung der drohnengestützten Bonitur in der Weizenzüchtung zu entwickeln.

Auf Grund veränderter klimatischer Bedingungen und global kontinuierlich ausgeweiteter Warenströme erhöht sich der Etablierungserfolg einwandernder Quarantäneschaderreger nach Europa. Ihre ungehinderte Ausbreitung kann erhebliche ökonomische Schäden verursachen, die im Erwerbsobstbau nicht selten existenzbedrohend für die Betriebe ist.

Um phytosanitäre Maßnahmen effektiv und ökonomisch effizient ergreifen zu können, wäre es erforderlich, räumlich und zeitlich hochauflösende Informationen zu Krankheitssymptomen, dem biologischen Infektionspotential und der möglichen Ausbreitung frühzeitig diagnostizieren zu können. Wird ein potentieller Quarantäneschaderreger erkannt, können diese Informationen genutzt werden, um Handlungsempfehlungen zielgerichtet und mit hoher Priorität ausführen.

Bislang existiert allerdings keine Methode, um Quarantäneschaderreger digitalisiert zu erfassen und kleinräumig zu kartieren. Etablierte Verfahren des Schadmonitorings nutzen manuelle Bonituren mit punktuellen Messwertaufnahmen. Diese sind teuer und räumlich nur gering aufgelöst.
Ziel des geplanten Projektes ist es daher, ein digitales Monitoringsystem für die frühzeitige Erkennung und Verortung von Quarantänekrankheiten im Erwerbsobstbau zu etablieren.

Auf der Basis von Bildaufnahmen und Bildverarbeitungsalgorithmen des maschinellen Lernens sollen artspezifische Krankheitssymptome in großer Anzahl, in verschiedenen Entwicklungsstadien und räumlich hochaufgelöst in Apfel- und Birnenbeständen erfasst und kartiert werden. Der Fokus liegt dabei zunächst auf der Erkennung von Blattsymptomen. Daten zum Verlauf der Krankheitssymptome werden mit Geoinformationen der Wetterdienste abgeglichen. Langfristiges Ziel ist es, ein arbeitssparendes und kostengünstiges Hochdurchsatzverfahren als Kontrollsystem für die Obstproduktion und -züchtung zu etablieren, dass eine kontinuierliche räumliche Erfassung und Dokumentation von Infektionen durch Quarantäneschaderreger ermöglicht.

Es geht um eine digitale Werkzeugbox, die es jedem Landwirt und Berater ermöglicht, an seinem Standort und mit seinem Maschinenpark für ihn relevante Fragestellungen zu bearbeiten und auszuwerten.

Für die Partner aus dem vor- und nachgelagerten Bereich besteht so die Möglichkeit, mehr Daten gemeinsam mit den Landwirten zu gewinnen und die Fragen der Praxis besser zu bearbeiten. Gleichzeit sollen diese Erhebungen sämtlichen offiziellen Qualitätsansprüchen genügen, um auch in der Forschung oder Produktentwicklung weiterverwendet werden zu können. Zusätzlich soll mit diesen Informationen die Grundlage geschaffen werden, um betriebliche Entscheidungen in einem sich wandelnden Umfeld besser abzusichern und zu bewerten.

Parallel zur operationellen Gruppe soll ein Expertenbeirat einberufen werden, der bei inhaltlichen Fragestellungen berät und unterstützt. Dieser soll sich u. a. aus beratenden Institutionen mit eigenem Versuchswesen (Landwirtschaftskammer), privaten Beratungsfirmen (z. B. Hanse Agro, GBB), Versuchsstandorten (z. B. Versuchsgut Hochschulen) und Technikanbietern (z. B. Haldrup, Wintersteiger) zusammensetzen.

Ziel des Projektes SCHEBA² ist die Entwicklung einer autonomen Trägerplattform zur Erfassung von Einzelpflanzen im Acker- und Gemüsebau. Hierfür kommt eine Bildverarbeitung/KI zum Einsatz zur Erkennung und Bewertung des Zustandes von Nutzpflanzen (vornehmlich Gemüse) in Bezug auf bspw. Biomasse, Krankheiten oder Wasserbedarf.

In der Folge dieser Auswertung kann jede einzelne Pflanze einer Kultur selektiv und mit der individuell benötigten Menge an Betriebsmitteln versorgt werden.

Zusätzlich wird es mittels der erfassten Daten möglich sein, in den jeweiligen Pflanzreihen zwischen Pflanze und Beikraut zu unterscheiden, so dass in einem weiteren Schritt eine selektive, chemiefreie Unkrautregulierung durchgeführt werden kann.

Elektronische Deichsel für landwirtschaftliche Arbeitsmaschinen mit Umfeldsensorik und zusätzlichen Geoinformationen

Die elektronische Deichsel arbeitet nach dem Master-Slave-Prinzip. Ein bemanntes Fahrzeug (Master) gibt den Kurs vor, ein unbemanntes (Slave) folgt diesem autonom. Zur Steigerung von Sicherheit und Automatisierungsgrad wird das System um Geoinformationen und Sensoren zur Umfeldüberwachung ergänzt. Ziel ist es, den rechtlichen Sicherheitsanforderungen bedienerloser Maschinen im Feldeinsatz besser gerecht zu werden.
Wir sind hierbei für Pfadplanung, Lenkalgorithmik, telemetrische Datenübertragung zwischen den Schleppern sowie die Einbindung zusätzlicher Geoinformationen verantwortlich.

Im Fokus steht die Entwicklung eines Verfahrens zur Anbauempfehlung und Entscheidungsunterstützung für eine standortspezifische Pflanzenproduktion. Anforderungen an ein solches Verfahren sind eine hohe räumliche Präzision unter Beachtung der großflächig skalierbaren, überregionalen und dabei kosteneffizienten Einsetzbarkeit.
In der auf einer Internetplattform basierenden Prozesskette sind wir für die Berechnung von Managementzonen-, Aussaat- und Pflanzenschutzkarten sowie die Wettermodellierung zuständig. Weiterhin implementieren wir Module für Ertragsdatenauswertung, Erntelogistik und Prozessdatenverwaltung.

Standortangepasstes N-Management auf Basis teilflächenspezifischer Informationsverarbeitung – System-, Hard- und Softwarelösung

Ziel ist die Detektion des betriebswirtschaftlich optimalen Stickstoffdüngereinsatzes im Winterweizen. Dieser wird von einem künstlichen neuronalen Netz (KNN) anhand eines Bodenprozessmodells ermittelt. Als Ergebnis wird die teilflächenspezifische Stickstoffmenge unter Berücksichtigung der von einem Stickstoff-Sensor während der Überfahrt gemessenen Werte ausgegeben.
Die Kommunikation mit dem Düngerstreuer übernimmt dann ein sogenannter In-Field-Controller. Dessen Entwicklung nach dem Standard ISO 11783 liegt genauso in unserer Hand wie die Mobilfunkverbindung zu einem Datenportal, das als Benutzerschnittstelle dient.

Prediction and Modeling of Hybrid Performance and Yield Gain in Oilseed Rape by Systems Biology

Intention ist die Untersuchung des Phänomens „Heterosis“ beim Raps in einem systembiologischen Ansatz. Hierfür werden iterative Prädiktionsmodelle mit experimentell erzeugten Daten kombiniert. Wir übernehmen dabei die sensorgestützte Phänotypisierung von Rapshybriden per Drohnenbefliegung inkl. Entwicklung der Auswertealgorithmen, die Charakterisierung des Bodens sowie die Erhebung von Klimadaten.

Ertragsfaktoren von Raps als Nachwachsender Rohstoff: Phänotypisierung unter dynamischen Praxisbedingungen

Das Ziel dieses Vorhabens ist die Entwicklung und Praxiserprobung neuartiger nicht-invasiver Phänotypisierungsmethoden für die Erfassung von ertragsbildenden Faktoren beim Raps sowie deren Einsatz zur Identifizierung neuer genetischer Variation für die Züchtung. Diese neuartigen nicht-invasiven Phänotypisierungsmethoden beinhalten Sensoren für ertragsrelevante Merkmale, die zum Beispiel an einem UAV montiert werden und beim Überfliegen einer Versuchsparzelle objektive Messdaten liefern.