TU München
Wissenschaftszentrum Weihenstephan der TU München
IKB-Dürnast
Aktuelles
Personen
Projekt
Partner
Forschung
Publikationen
Daten
ISOAgLib
Sonstiges
 
English

Teilprojektbeschreibung

Ableitung von Entscheidungsregeln zur kleinräumigen N-Düngung auf Basis datenbankgestützter Informationen und Expertenbefragungen:

Einführung:
Im Bereich Precision Farming stehen mittlerweile diverse Systeme zur Verfügung, mit denen kleinräumig und effizient Daten über Boden und Pflanze gewonnen werden können. Mögliche Datenbestände setzen sich beispielsweise aus Ertragsmessungen, Messungen der scheinbaren elektrischen Bodenleitfähigkeit (EM 38), spektralen Messungen des Pflanzenbestandes, sowie Zugkraftmessungen zusammen. Verschiedene Auswertungen lassen schlussfolgern, dass diese Faktoren einen Einfluss auf den Ertrag haben.
Für die Entscheidungsunterstützung zur standortangepassten N-Düngung existieren bisher nur Ansätze, die sich lediglich auf einen Teil dieser Informationen stützen: Bei der Düngung nach Ertragskarten sind dies beispielsweise räumlich erfasste Ertragswerte der vergangenen Jahre, während sich der reine "Sensor-Ansatz" nur nach aktuellen Vegetationsindices richtet. Denkbar sind auch Düngung nach Bodenkarten, usw.
Es ist zu erwarten, dass über die gleichzeitige Berücksichtigung aller erfassbaren Parameter eine bessere Entscheidungsfindung ermöglicht wird, da beispielsweise auch Wechselwirkungen der Parameter untereinander berücksichtigt werden können. Es fehlt also an einem System, das je nach Ausgestaltung aller räumlichen und zeitlichen erfassbaren Parameter eine standortoptimale Düngermenge ausgibt.
Um diese Zusammenhänge zu erforschen stößt man mit den traditionellen Exaktversuchen an Grenzen. Um mit den zeit- und kostenintensiven Exaktversuchen alle möglichen Zusammenhänge zu analysieren, müsste für jeden zu erforschenden Zusammenhang über Jahre hinweg ein eigener Versuch angelegt werden. Einen Ausweg bietet das On-Farm-Research, d. h. die retrospektive Auswertung von Daten, die bei der standardmäßigen Bewirtschaftung erfasst werden können.
Ziele:
Das Ziel besteht darin, die im ersten Teil des Projekts erhobenen Daten bzw. das Management-Informationssystem (MIS) zu nutzten und mit Methoden des Data Mining bzw. des Knowledge Discovery from Databases (zu dt.: Wissensentdeckung in Datenbanken) zu analysieren. Ziel ist es dabei, die Wirkungszusammenhänge bzw. Muster der Ertragsbildung in den erfassten Parametern zu untersuchen und davon ausgehend Empfehlungen in Form von Entscheidungsregeln zu generieren.
Ein zentrale Forderung an die zu entwickelnden Entscheidungsregeln ist die Automatisierbarkeit: Es muss eine geeignete Wissensdarstellung z. B. in Form von Algorithmen, gefunden werden, die einen Real-Time-Einsatz über einen In-Field-Controller ermöglichen (vgl. TP 8).
Dies ist auch deshalb notwendig, weil erst mit objektiven und nachvollziehbaren Ansätzen eine Basis für eine fortgeschrittenere ökonomische bzw. ökologische Beurteilung von Precision Farming geschaffen wird.
Methode/Lösungsansatz:
Das MIS bildet die Basis zur Erfassung, Speicherung und Bearbeitung von räumlichen Daten, die mit der automatischen Prozessdatenerfassung gewonnen werden. Dabei werden Daten über die Bewirtschaftungsmaßnahme selbst (z. B. Ausbringungsmenge, Geschwindigkeit, etc), sowie - mittels spezieller Sensoren - Daten über Boden bzw. Pflanze (z.B. Vegetations-Indices, scheinbare elektrische Bodenleitfähigkeit, etc) gewonnen. Diese Rohdaten werden in Datenbanken gespeichert und können je nach Auswertungszweck mittels Geo-Infomations-Systemen (GIS) bearbeitet werden.
In diesem Umfeld bieten sich mehrere Methoden des Data Mining an, um Informationen aus diesen aufgezeigten Daten zu gewinnen. Ein erster Ansatz ist die Einteilung von Schlägen in sogenannte Cluster, also in Bereiche, die sich ähnlich verhalten. Dazu können beispielsweise Ertragskarten analysiert und segmentiert werden.
Das ökonomische Ziel einer standort-optimalen N-Düngung kann mit der Optimierung der teilflächenspezifischen N-freien Leistung erreicht werden. Dazu ist es nötig, den Ertrag aus den Informationen über die Standortfaktoren bzw. der applizierten Stickstoffmenge zu prognostizieren. Für diesen Zweck sollen auch nicht-lineare Modelle und im speziellen neuronale Netze eingesetzt werden. Über die Simulation der ausgebrachten N-Menge soll eine optimale Düngermenge prognostiziert werden. Für die Analyse und Ableitung von Entscheidungsregeln können dann beispielsweise Entscheidungsbäume eingesetzt werden.
Extrahierte Regelbestandteile können dann von Pflanzenbau-Experten überprüft bzw. in On-Farm- oder Exaktversuchen getestet werden.
Zurück zum Seitenanfang   Zurück zur Startseite

Melody Thomas, 26.11.2003, Impressum