InGeoForum Rückblick

Data Science ist seit geraumer Zeit ein fester Bestandteil in den Agrar- und Umweltwissenschaften. Insbesondere Deep Learning und Neuronale Netze werden zunehmend eingesetzt, um Erkenntnisse aus Beobachtungsdaten zu gewinnen. In Kombination mit verbesserten Sensoren mit zunehmender räumlicher, spektraler und zeitlicher Auflösung bieten diese Methoden ein hohes Potenzial, um Aufgaben anzugehen, die bisher schwer zu lösen waren. In diesem Vortrag werden verschiedene Anwendungen aus den Agrar- und Umweltwissenschaften vorgestellt, die auf unterschiedliche Bereiche des Data Science zurückgreifen. Es werden einerseits Arbeiten vorgestellt, die auf hohe Effizienz und Genauigkeit abzielen, aber auch Arbeiten, die sich auf die Interpretierbarkeit und Erklärbarkeit des Prozesses und der erzielten Ergebnisse konzentrieren.

Künstliche Intelligenz (KI) eröffnet neue Möglichkeiten. Das zählt auch für die Landwirtschaft. Auf Basis von Positionsdaten beispielsweise lassen sich mittels maschinellem Lernen Prozesse automatisieren und Vorhersagen exakter modellieren. Geoinformationssysteme bieten heute die Funktionalität, Daten aus offen Datenräumen und spezifischen Ökosystemen zu verwenden, um Algorithmen der künstlichen Intelligenz zu trainieren.

Im Bereich der Landwirtschaft beschreiben Geoinformationen wichtige Aspekte zur Betriebsführung wie z.B. den Ackerschlag, die Flurstücke oder auch, im tieferen Detail, die einzelne Fahrspur eines Traktors. Viele Geoinformationen stehen a priori zur Verfügung.

Sie werden amtlicherseits bereitgestellt oder durch den Landwirt selbst erhoben. Sie eigenen sich im Besonderen, um Trainingsdaten für Algorithmen künstlicher Intelligenz zu strukturieren.

Unser Vortrag zeigt konkrete Beispiele, wie auf Basis der Eigenschaften und Funktionen des Geoinformationssystems ArcGIS Algorithmen der künstlichen Intelligenz über den gesamten Lebenszyklus hinweg unterstützt werden: Vegetationsklassifizierung, Ernteertragsprognose, das Erkennen von Feldschäden. Durch gutes Training sind die Algorithmen in der Lage Außerordentliches für die Aufgabenstellungen der Landwirtschaft zu leisten.

Zum Abschluss wird dargestellt, wie die Ergebnisse schlüssig weiterverarbeitet werden und dem Landwirt schließlich helfen, seine Betriebsführung erfolgreich und nachhaltig zu gestalten.

Der Vortrag wird die aktuellen Herausforderungen der Landwirtschaft betrachten und welche Rolle KI dabei spielen kann. Es wird darum gehen wie KI-Entwicklung in der Landwirtschaft praktisch aussieht und wie das Forschungsprojekt Agri-Gaia dabei helfen soll diese Entwicklungsprozesse zu vereinfachen, so dass KI-Technologien einfacher und damit günstiger in Produkte in der Agri-Food Domäne überführt werden können.

Intelligent agrarian robotics is an important steps towards a resource effective, individualized management of agricultural economy. Weeding was a first step, versatility for other task is a second step and collecting data a third one. Using robots in open fields, with different soils, weather and crops is one of the biggest challenges. The presentation gives insides on base functionality, data and challenges to realize next generation of small robotics for little vegetable growers, seed production, vine yards, tree nursery, vegetables and flowers. These new challenges require intelligent integration of different kind of geo and sensor data for adaptive guiding & safety. Robots are using high res geo and agricultural data, lidar, cameras as well as RTK GPS system in a mixed local and cloud based compute environment. The presentation is given by Naïo Technologies, a pioneer in agrarian robotics solutions with a 10 years experience.

Dargestellt werden: Sicht der der Bayerischen Forstverwaltung als Nutzer von GI & KI; Abgrenzung von ‚Maschinellem Lernen‘ zu ‚Deep Learning‘; Aktuelle Forschungsschwerpunkte der LWF: Baumartenklassifizierung und Schaddetektion (z.B. Trockenschäden, Borkenkäfer und Sturm). Voraussetzungen: Geeignete Trainingsdaten und Hardware

Waldeigentümer*innen und Fachpersonen stehen vor zahlreichen Entscheidungen: Sind ihre Baumbestände besonders umbaudringlich? Welche Baumarten und Kombinationen könnten an diesem Standort Ende des 21 Jahrhunderts noch gedeihen? Wie kann bei einem Umbau die Biodiversität, aber auch die Klimafunktion und die soziale Funktion des Waldes erhalten bleiben oder sogar verbessert werden? In diesem Vortrag wird vorgestellt, welche Ansätze das FutureForest-Team verfolgt, um die Datenbasis durch KI-gestützte Auswertungen zu verbessern, bundesweit Daten durch Datenräume zugänglicher zu machen und wie Verfahren zur Entscheidungsunterstützung der Betroffenen evaluiert werden.

Dargestellt werden spezielle Sensoren und Datenquellen für die Erstellung digitaler Zwillinge;

Nutzung von Spatial Modellig und KI zum 3D Super Mesh und zur semantischen Information im 3D Mesh; informiert wird über Rechenzeit und Speicherbedarf als entscheidungsrelevante Faktoren für die System- und Betriebsumgebung; Anhand von typischen Kundenbeispielen wird die Herstellung sowie die Nutzbarmachung von Digitalen Zwillingen dargestellt; gezeigt wird ebenfalls, wie mittels KI aus den verschiedenen Datenquellen neue Informationen abgeleitet werden können, die ihrerseits kundenspezifische Fragestellungen beantworten können. Informationen, die bis dato nur mit erheblichem manuellem Aufwand zu ermitteln waren, fallen teilweise als "Nebenprodukt" an. Auch dies wird am Kundenbeispiel aufgezeigt

Je nach Ressourcenlage und Kenntnisse der jeweiligen Nutzer stehen unterschiedliche Werkzeuge zur Klassifizierung von Landnutzung, basierend auf GeoAI, zur Verfügung. Eine einfache Möglichkeit der Nutzung von Geodaten und GeoAI bietet der Land Cover Dienst. Dieser Dienst stellt die weltweite Fläche in 9 verschiedenen Landnutzungsklassen für den Zeitraum von 2017 bis 2021 dar. Des Weiteren existieren technologisch bereits vortrainierte Modelle, die ohne Programmierkenntnisse anwendbar sind und je nach Bedarf weiter trainiert werden können. Zudem können eigene Klassifizierungsalgorithmen für individuelle Fragestellungen entwickelt werden.

Eine immer bessere Verfügbarkeit von Fernerkundungsdaten in einer hohen zeitlichen und räumlichen Auflösung bietet vielfältige Möglichkeiten für ein tagesfeines Monitoring von sehr großen Gebieten, was mit herkömmlichen Ansätzen in dieser Form bisher nicht realisierbar war. Für die Klassifizierung und Auswertung der Daten werden verstärkt Methoden der Künstlichen Intelligenz (KI) eingesetzt. Die KI zeichnet sich bei einer guten Datengrundlage besonders durch ihre Fähigkeiten aus, gegebene (Verhaltens)-Muster genau zu erlernen. Die große Datendichte aus der Fernerkundung bietet vielfältige Möglichkeiten, allerdings sind die Anforderungen an das Datenmanagement und die Datenverarbeitung enorm hoch. Unabhängig von der verwendeten Technologie zur Auswertung müssen die Daten zunächst vorverarbeitet werden. Anschließend muss das KI-Modell trainiert und evaluiert und die Ergebnisse validiert werden. Mit Hilfe von Cloud-Infrastrukturen und einem AI-Workflowmanagementsystem können diese Prozesse weitgehend automatisiert und optimiert werden. Wir zeigen exemplarisch eine KI-basierte Verarbeitungskette für eine Waldtypen-Klassifikation auf Copernicus-Daten.