Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGPNitroDetect - App-basierte Schätzung des N-Vorfruchtwerts von Zwischenfrüchten mittels KI-/ML-gestützter Bildprozessierung
Vor dem Hintergrund knapper werdender pflanzlicher Rohstoffe, des Klimawandels und steigender Energiepreise, ist es eine der großen Herausforderungen der Landwirtschaft, den wachsenden Bedarf an Nahrungs- und Futtermitteln zu decken. Insbesondere im ökologischen Landbau wird daher nach nachhaltigen und ökologischen Lösungen zur Optimierung bestehender Anbausysteme gesucht. Der Anbau von Zwischenfrüchten stellt eine mögliche Lösung dar. Durch den Anbau von legumen Zwischenfrüchte kann Stickstoff (N2) aus der Luft biologisch fixiert und für die Folgefrucht verfügbar gemacht werden. Sie leisten damit einen wichtigen Beitrag zur Stickstoffversorgung der Folgekulturen.
Problemstellung
Der tatsächlich pflanzenverfügbare Stickstoff nach dem Bodenumbruch ist vom Verhältnis von Kohlenstoff zu Stickstoff in der organischen Substanz abhängig (C:N-Verhältnis). Dieses wird insbesondere durch die Artenzusammensetzung und das Alter der Pflanzen beeinflusst.
Für die Abschätzung des N-Vorfruchtwertes und die Anrechnung auf die Düngermenge der Folgekultur ist die Kenntnis des Mischungsverhältnisses der Zwischenfrüchte und des Beikrautanteils erforderlich. Diese werden derzeit meist visuell geschätzt und sind daher subjektiv und ungenau. Eine exakte Bestimmung des Trockensubstanzgehaltes ist dagegen zeitaufwendig, kostenintensiv und stark von der Probenqualität abhängig.
Zielstellung und Lösungsweg
Ziel der Machbarkeitsstudie ist es, die Schätzung des N-Vorfruchtwertes von Zwischenfrüchten mittels KI-/ML-gestützter Bildverarbeitung zu untersuchen. Damit soll die Grundlage für eine Smartphone-App geschaffen werden, die es den Landwirt:innen ermöglicht den N-Vorfruchtwert von legumen Zwischenfrüchten anhand von Fotos bestimmen zu lassen.
Um Trainingsdaten für das Lernmodell zu generieren, wurden auf den Feldern der LFA Testmessungen mit verschiedenen Zwischenfrüchten in unterschiedlichen Wachstumsstadien durchgeführt. Mit Stockfotos der einzelnen Zwischenfrüchte wird ein Lernmodell darauf trainiert, die jeweilige Pflanze zu erkennen. Die Testbilder in Draufsicht und Seitenansicht wurden dann mit dem vortrainierten Modell klassifiziert und damit ein weiteres Lernmodell für das Labeln von Bildern nach Pflanzenart trainiert. Mit Hilfe von Metadaten über die Pflanzen und die Aufnahme können die tatsächliche Biomasse, der Pflanzenanteil und das entsprechende C:N-Verhältnis aus dem Bild bestimmt werden.
Nutzen
Der Nutzen einer solchen Smartphone-Anwendung liegt in der Zeitersparnis und Kosteneffizienz für die Landwirt:innen. Die Applikation soll eine schnelle und fundierte Entscheidungshilfe über den N-Vorfruchtwert von Zwischenfrüchten sowie den optimalen Umbruchzeitpunkt liefern. Darüber hinaus unterstützt die Anwendung eine nachhaltigere Bodenbewirtschaftung, indem sie dazu beiträgt, den Einsatz von Stickstoffdüngern zu reduzieren und eine mögliche Überdüngung zu vermeiden.
Die Benutzerfreundlichkeit und der Anwendung ermöglicht auch Landwirt:innen ohne umfassende technische Kenntnisse einen einfachen Zugang zu dieser Technologie.