Die Landwirtschaft setzt auf künstliche Intelligenz

Nov 03, 2023

Künstliche Intelligenz nutzt Unmengen an Daten, um die Effizienz zu steigern.

Graybeards erinnern sich vielleicht an den Nervenkitzel, den sie verspürten, als mit Bleistift vollgepackte mathematische Berechnungen die Warp-Geschwindigkeit in das Taschenrechnerzeitalter vorantrieben.

Heutzutage verspricht künstliche Intelligenz (KI), der Landwirtschaft den gleichen Schwung zu verleihen wie vor Jahrzehnten dem Mathematikunterricht. Künstliche Intelligenz ist eine Technologie, die mehrere Teilbereiche wie maschinelles Lernen umfasst, sagt Rania Khalaf, Chief Information and Data Officer von Inari.

„Maschinelles Lernen ermöglicht es Computern, Ergebnisse mathematisch vorherzusagen oder Klassifizierungen vorzunehmen, indem sie Muster in großen Datenmengen finden“, sagt sie. „Es lernt dann, diese Muster oder Klassifizierungen im Laufe der Zeit zu aktualisieren, wenn es neue Daten sieht.“

„Der größte Vorteil der künstlichen Intelligenz ist die Fähigkeit, komplexe Berechnungen mit hoher Geschwindigkeit durchzuführen, für deren Durchführung früher ein Mensch erforderlich war“, fügt Kent Klemme, General Manager von See & Spray für Blue River Technology, hinzu. „Die jüngsten Verbesserungen bei GPUs [Grafikprozessoren] haben die Rechenleistung bereitgestellt, die dies ermöglicht. Es sind viele Daten erforderlich, um spezifische Probleme anzugehen.“

Die auf maschinellem Lernen basierende See & Spray Ultimate-Technologie ermöglicht es Spritzgeräten, beim Sprühen zwischen den Feldfrüchten nur auf Unkraut zu zielen. „Wir haben Tausende und Abertausende Bilder verschiedener Unkräuter in unterschiedlichen Kulturpflanzen unter unterschiedlichen Bedingungen gemacht, etwa bei klarem Himmel, bewölktem Himmel, dunklem Himmel, unterschiedlichen Böden und unterschiedlichen Rückstandsmengen“, sagt Klemme.

Datenwissenschaftler von Blue River und John Deere trainieren dann das See & Spray Ultimate-System, um Pflanzen unter unzähligen Bedingungen zu erkennen. Diese Bilder werden durch Algorithmen sortiert, die die Wiederholung einer oder mehrerer mathematischer Operationen beinhalten. Algorithmen werden häufig auf Computern implementiert und gelöst.

Die Sprühgeräte der Patriot 50-Serie von Case IH nutzen eine Form des maschinellen Lernens, die als Sichtführung bezeichnet wird.

„Es handelt sich um eine Reihenführungslösung, die einen Lenkbefehl basierend auf dem Pflanzenstandort ausgibt“, sagt Chris Dempsey, Global Precision Technology Director bei Case IH.

Die Sichtführung nutzt eine Bordkamera, die den Standort der Maispflanzen an die Feldspritze weiterleitet, sodass diese in der Reihe bleibt und nicht über Kulturpflanzen fährt, fügt er hinzu.

Künstliche Intelligenz ist ein weites Gebiet, das viele Teilbereiche umfasst, beispielsweise maschinelles Lernen. Im Grunde werden jedoch Unmengen von Daten genutzt, um die Effizienz zu steigern, sagt Dempsey.

„Das größte Hindernis für die gesamte Agrarindustrie bei der digitalen Landwirtschaft besteht darin, große und komplexe Datensätze in aussagekräftige Erkenntnisse umzuwandeln“, sagt Ashwin Madgavkar, Gründer von Ceres Imaging. „KI kann wirklich dabei helfen, diese Lücke zu schließen, indem sie all diese Daten in Maßnahmen umwandelt, die ein Erzeuger ergreifen kann.“

Sein Einsatz nimmt in der Pflanzenzüchtung zu.

„Wir untersuchen alle möglichen neuen Technologien, sei es maschinelles Lernen oder fortschrittliche Analysemodelle zur Vorhersage der Hybridleistung“, sagt Mike Popelka, Hybridproduktzüchtermanager von AgReliant Genetics. „Die [Pflanzenzüchtungs-]Industrie orientiert sich mehr an diesen Modellen.“

Der Einsatz von KI wird auch häufig in vielen Maschinenlinien eingesetzt. Case IH nutzt maschinelles Lernen durch 16 Sensoren, die sein AFS Harvest Command-System anpassen.

„Die Erhöhung des Durchsatzes bei gleichzeitiger Verringerung der [Korn-]Verluste erfolgt jetzt automatisch“, sagt Dempsey. „In der Vergangenheit mussten Mähdrescherbetreiber Siebeinstellungen vornehmen, wenn eine Getreideprobe zu viel Maiskolben oder Fremdmaterial enthielt.“

Maschinelles Lernen erledigt dies jetzt automatisch.

„Sensoren teilen dem Mähdrescher mit, dass er ein unteres Sieb abschalten oder die Lüfter- oder Rotorgeschwindigkeit erhöhen muss“, sagt er. „Diese Anpassungen basieren auf dem Wissen, wie Fremdmaterial oder schlechte Kornqualität in einer bekannten Datenbank einer bestimmten Ernteart aussieht. Es handelt sich im Grunde genommen um eine Datenbank mit Bildern, die gutes (Qualitätskorn) von schlechtem unterscheiden.“

John Deere nutzt auch maschinelles Lernen in seiner Auto-Maintain-Funktion bei Mähdreschern der Serien S700 und X9, um den gezielten Kornverlust und die Kornqualität aufrechtzuerhalten.

„Der Bediener legt ein Ziel fest, wie der Mähdrescher im Hinblick auf Verlustmengen und Korntankproben laufen soll“, sagt Nick Howerton, Produktmarketingmanager bei John Deere Harvester Works. „ActiveVision-Kameras machen alle zwei Sekunden Bilder von den Elevatoren für sauberes Getreide und Überkehr. Diese Daten werden in einen Algorithmus eingespeist, der zum Vergleichen der Fremdmaterial- und beschädigten Getreidewerte mit dem Zielwert verwendet wird. Wenn die Werte den Zielwert überschreiten, werden automatisch Anpassungen vorgenommen.“

Ceres Imaging nutzt eine Form künstlicher Intelligenz namens Computer Vision, die Ernteprobleme während der Saison erkennt, sagt Madgavkar. Luftbilder und Sensordaten, die unterschiedliche Lichtwellenlängen erfassen, werden in einen Algorithmus eingespeist, der dabei hilft, saisonale Krankheiten wie Nährstoffmangel aufzudecken.

„Wir achten auch auf das Krankheitsrisiko und darauf, wo ein Fungizid optimal versprüht werden könnte“, sagt Madgavkar.

Dennoch seien die durch maschinelles Lernen gewonnenen Daten nur so gut wie die eingegebenen Daten, sagt Madgavkar. „Müll rein, Müll raus“ gelte immer noch, daher sei es wichtig, die richtige Datenqualität einzugeben, fügt er hinzu.

„KI allein ist kein Allheilmittel“, sagt er. „Es ist nach wie vor wichtig, die aus Computer-Vision gewonnenen Daten mit den Eingaben eines örtlichen Agronomen und/oder Landwirts zu kombinieren, um eine Empfehlung abzugeben. Allerdings kann die KI-Technologie einem Agronomen dabei helfen, seine Zeit besser zu nutzen und sich gezielt auf Felder zu konzentrieren, von denen er am wahrscheinlichsten profitieren wird.“ -Saisonbehandlungen.“

KI-Technologie erleichtert auch die Reparatur von Bewässerungsanlagen. Lindsay arbeitet mit Microsoft Azure zusammen, um maschinelles Lernen zu nutzen, um mithilfe der Smart Pivot-Technologie Ausfälle von Bewässerungskomponenten vorherzusagen, bevor sie auftreten.

„Wenn wir Komponentenausfälle vorhersagen können, etwa bei Getrieben oder Mittelmotorantrieben, können wir Kunden benachrichtigen, bevor sie auftreten. Dies verhindert, dass während der Vegetationsperiode noch größere [Reparatur-]Probleme auftreten“, sagt Kurtis Charling, Vizepräsident für digitale Produkte Management bei Lindsay. „Ein Ausfall von ein bis drei Tagen während der Hochphase der Vegetationsperiode könnte sich nachteilig auf die Produktion auswirken. Die Vorhersage von Komponentenausfällen kann dem Landwirt dabei helfen, Ausfallzeiten zu vermeiden und die Effizienz zu steigern.“

Lindsay nutzt umfangreiche, über Jahrzehnte gesammelte Bewässerungsdaten, um ein prädiktives System maschinell zu regnen.

„Zum Beispiel war eine Maschine, die ausfiel, weil ein Getriebe defekt war, eine Trainingssituation für das Modell der künstlichen Intelligenz“, sagt Charling. „Wenn wir Zugriff auf Sensordaten haben, die wir zum Zeitpunkt des Ausfalls gesammelt haben, können wir diese an das KI-Modell weitergeben und ihm im Grunde sagen: ‚Wenn das noch einmal passiert, sieht ein Getriebeschaden so aus.‘ "

KI hat jedoch ihre Grenzen.

„Es gibt Situationen, in denen etwas, was wir vorhersagen, vor Ort nicht zutrifft, etwa ein Getriebeproblem“, sagt Charling. „Es ist immer noch wichtig, dass der Endbenutzer oder Händler Ja oder Nein sagen kann. Dies wiederum fließt in unsere Schulungsmodelle ein, um sie genauer zu machen.“

Beim See & Spray Ultimate-Modell ist die Unterscheidung zwischen jungen Sojabohnen und jungen Samtblättern eine Herausforderung, da sie ähnlich aussehen.

„Je mehr Bilder wir aufnehmen und das Modell neu trainieren, desto besser wird es“, sagt Klemme. „Es ist nicht anders als die Zeit, die ein menschlicher Späher brauchen würde, um den Unterschied zwischen Samtblatt und jungen Sojabohnen zu erkennen. Sie trainieren das Modell des [maschinellen Lernens] auf die gleiche Weise.“

Erwarten Sie, dass KI und ihre Teilmengen die Geschwindigkeit künftiger landwirtschaftlicher Innovationen steigern werden, sagt Dempsey.

„Ich denke, wir haben nur an der Oberfläche dessen gekratzt, was maschinelles Lernen und künstliche Intelligenz leisten können“, fügt er hinzu.

Wenn sie es noch nicht getan haben, sollten Landwirte, die diese Technologie voll ausnutzen wollen, so viele Daten wie möglich auf ihren Betrieben sammeln, sagt Charling.

„Je mehr Daten Zugriff auf diese KI-Modelle haben, desto intelligenter werden sie, insbesondere wenn es um den Betrieb eines Landwirts geht“, betont er.