Landwirtschaftlich genutztes Feld aus der Vogelperspektive
© iStock.com/sam74100

Smart Farming: Landwirtschaft im Wandel

Die Herausforderungen der Landwirtschaft

Die Landwirtschaft steht aktuell einer Vielzahl von Herausforderungen gegenüber. Auf der einen Seite steigt durch die wachsende Weltbevölkerung der Bedarf an Nahrungsmitteln. Auf der anderen Seite führen verschärfte Nachhaltigkeitsvorschriften zu einer Verringerung der landwirtschaftlich genutzten Fläche und des Einsatzes von Pflanzenschutz- und Düngemitteln. Geringere Margen für landwirtschaftliche Erzeugnisse, der Mangel an Fachkräften und der daraus entstehende erhöhte Kostendruck erfordern zudem eine erhöhte Automatisierung. Hinzu kommt, dass klimabedingte Extremwetterereignisse wie Dürren und starke Regenfälle, den Anbau erschweren.

Smart Farming: Digitale Technologien als Lösung

Mit konventioneller Technologie für die Düngung oder Ernte von Feldern können die aktuellen Problemstellungen in der Landwirtschaft nicht gelöst werden. Gefragt sind Ansätze, die auf modernen Informations- und Kommunikationstechnologien basieren und die Landwirtschaft digitalisieren sowie automatisieren. Kurz gesagt: Smart Farming. Smart Farming ermöglicht es, die Landwirtschaft gleichzeitig nachhaltiger, effizienter und resistenter zu gestalten. Geringere Kosten für Sensorik machen Investitionen in Smart-Farming-Technologien attraktiv. Deshalb wird der Markt aktuell von einer Vielzahl an Diensten verschiedener Hersteller geflutet. Um die Interoperabilität dieser Dienste zu gewährleisten, werden sie ins Internet der Dinge für die Farm (Farm IoT) eingebunden. Das Fraunhofer-Institut für Kognitive Systeme IKS, das sich auf intelligente, vernetzte Systeme und die zugehörigen Software-Anwendungen spezialisiert hat, entwickelt hierfür Lösungen. Es unterstützt Hersteller von Landmaschinen, Agrartechnik oder Agrarsoftware bei der Entwicklung von Produktinnovationen und Lösungen für Smart Farming. Im Fokus stehen dabei vier zentrale Anwendungsfelder des Smart Farming:

  • Sensor-, Satelliten- und Drohnendaten
  • Smart Crop / Livestock Monitoring
  • Autonome Agrarmaschinen und Robotik
  • Smart Building / Farm Management & IoT
Mais auf dem Feld
© Unsplash/Jesse Gardner
Grafische Darstellung von vier Anwendungsfeldern des Smart Farming: Sensoren-, Satelliten- und Drohnendaten, Smart Crop & Livestock Monitoring, Autonome Agrarmaschinen & Robotik sowie Smart Building, Farm Management und IoT.
© Fraunhofer IKS
Das Fraunhofer IKS nimmt vier Anwendungsfelder des Smart Farming in den Fokus: Sensoren-, Satelliten- und Drohnendaten, Smart Crop & Livestock Monitoring, Autonome Agrarmaschinen & Robotik sowie Smart Building, Farm Management und IoT.

Effizienz und Nachhaltigkeit durch Precision Farming

Maisernte aus der Vogelperspektive
© iStock.com/JamesBrey

Precision Farming ist eine Subkategorie von Smart Farming und beschreibt die Überwachung und Optimierung landwirtschaftlicher Produktionsverfahren durch den Einsatz von digitalen Technologien. Im Rahmen von Precision Farming erfolgt beispielsweise die Düngeausbringung basierend auf Sensor-, Satelliten- oder Drohnendaten, welche die unterschiedlichen Bedingungen auf dem Feld messen. Anhand der Daten errechnet ein Algorithmus – meist auf Basis von Maschinellem Lernen und Neuronalen Netzen – die optimale Düngeausbringung (Smart Crop). Der effizientere Einsatz von Pflanzenschutz- und Düngemittel spart Kosten und hilft Landwirten dabei die Düngemittelverordnung einzuhalten. Landmaschinenhersteller können die generierten Daten nutzen, um ihre Services zu verbessern. Außerdem hat er positive Auswirkungen auf die Umwelt, da bspw. die Nitratbelastung im Boden sinkt und umliegende Wildpflanzen und Insekten geschont werden. Umgekehrt führen Fehlberechnungen zur Überdüngung von Feldern, was einen Ernteausfall und erhebliche Folgen für die Umwelt nach sich zieht. Da das System in der Lage ist eigene Entscheidungen zu treffen, wird es als kognitives System bezeichnet. Kognitive Systeme zu verbessern und sicher zu gestalten ist eine Kernkompetenz des Fraunhofer IKS, die auch für das autonome Fahren und die Industrie 4.0 von hoher Bedeutung ist.

Autonome Agrarmaschinen und Robotik

Anders als bei Personenkraftwagen ist das autonome Fahren bei Landmaschinen schon heute Realität. Das liegt auch daran, dass es sich bei Feldern um Privatgrundstücke handelt und kaum andere Verkehrsteilnehmer zu berücksichtigen sind. Da Felder und Äcker jedoch frei zugänglich sind, gilt es auch hier einen hohen Grad an Sicherheit zu garantieren. Doch die speziellen Eigenschaften der Umgebung stellen eine besondere Herausforderung dar.

Erschwerte Umweltbedingungen

Um die Sicherheit des Fahrers und seines Umfeldes zu garantieren, muss die Sensorik für Landmaschinen mit einer komplexen Umwelt zurechtkommen. Während sich PKW an der Straße samt Markierungen orientieren können, gibt es für Landmaschinen im besten Fall eine Schnittkante zur Orientierung. Die unstrukturierten, dynamischen und offenen Landschaften erschweren die maschinelle Wahrnehmung. Hinzu kommen unebene Böden, Staub und Matsch, die besonders für optische Sensoren eine Herausforderung darstellen.

Versteckte Hindernisse

Bei der Ernte von hohen Pflanzen wie Mais, Weizen oder Raps kommen optische Sensoren an ihre Grenzen. Das wird zur Gefahr für Menschen und Tiere, die sich unter den hohen Pflanzen befinden, da sie von den Sensoren nicht erkannt werden können. Deshalb müssen Landmaschinen neben optischen Sensoren auch Infrarot, Mikrowellen oder andere Sensortechniken an Bord haben.

Maßgenaues Arbeiten

Der Verlust von Präzision bei autonomen Landmaschinen kann teuer werden. Denn wenn bspw. ein Mähdrescher zu weit über die Schnittkante fährt, die ihm Orientierung bietet, muss ggf. ein Streifen des Feldes doppelt befahren werden. Durch diese Effizienzverluste entstehen enorme Umsatzeinbußen. Zur Lösung dieses Problems übertragen lokale Antennen Korrektursignale mit einer Genauigkeit von zwei Zentimetern, die das präzise Fahren ermöglichen.

Vernetzt auf dem Feld

Im digitalen Farm Management werden Landmaschinen, insbesondere Traktoren, zu einer Art Schnittstelle für viele Anwendungen verschiedener Hersteller im Farm IoT. Dies wird ermöglicht, indem die Daten von Sensoren zur Messung des Maschinenzustands, der Erntemenge oder der GPS-Position ständig übertragen werden. Dafür benötigt es eine stabile Verbindung zur Cloud. Allerdings gibt es in ländlichen Gebieten oftmals nur unzureichende Telekommunikationsverbindungen. Die fehlende Verbindung könnte zu einem Ausfall der Datenübertragung und dadurch zum frühzeitigen Ausfall der Erntemaschine führen. Das stellt ein hohes finanzielles Risiko für den Landwirt dar. Um diesen Risiken entgegenzusteuern, nutzt das Fraunhofer-Institut für Kognitive Systeme IKS aktuelle Webtechnologien zur Kommunikation und Entwicklung verteilter IoT- Anwendungen. In einem gemeinsamen Forschungsprojekt konnte das Fraunhofer IKS so mit seinen Partnern Huawei und Holmer Maschinenbau GmbH das Konzept der vorausschauenden Wartung auf Erntemaschinen übertragen.

Landmaschine der Holmer Maschinenbau GmbH
© HOLMER Maschinenbau GmbH

Safe Intelligence Magazin

Das sind die neuesten Artikel auf unserem Blog im Bereich Smart Farming:

 

13.11.2020

Mit Künstlicher Intelligenz gegen den Klimawandel

Beim Umwelt- und Klimaschutz denken die meisten an erneuerbare Energien, Elektroautos und nachhaltige Konsumgüter. Nur wenige würden Künstliche Intelligenz (KI) damit in Verbindung bringen. Dabei kann sie eine entscheidende Rolle im Kampf gegen Umweltverschmutzung und Klimawandel spielen.

 

25.3.2021

What happens when AI fails to deliver?

Artificial intelligence (AI) has to be able to handle uncertainty before we can trust it to deliver in safety-critical use cases, for example, autonomous cars. The Fraunhofer Institute for Cognitive Systems IKS is investigating ways to help AI reason with uncertainty, one being the operational design domain.

 

10.6.2020

Autonomes Fahren von A bis Z

Wie werden fahrerlose Transportfahrzeuge in der Industrie eingesetzt, und was hat Homer Simpson mit einem automatisierten Truck zu tun? In diesem Blogbeitrag haben wir interessante Fakten zum autonomen Fahren zusammengestellt. In Teil 1 finden Sie Informationen von A wie Agrarwirtschaft bis M wie maschinelle Wahrnehmung.