Agrarwissenschaftliches Symposium - Hans Eisenmann-Forum - TUM Wiki-System
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Hans Eisenmann-Forum 11. Agrarwissenschaftliches Symposium 29. Oktober 2020 Digitale Landwirtschaft - Vernetzung und Interaktion Tagungsband
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Impressum
Herausgeber:
World Agricultural Systems Center
Hans Eisenmann-Forum für Agrarwissenschaften
der Technischen Universität München
Liesel-Beckmann-Str. 2
85354 Freising
Tel: +49.8161.71.3464
Fax: +49.8161.71.2899
E-Mail: Hans-Eisenmann-Forum@tum.de
Internet: www.hef.tum.de
Redaktion:
Claudia R. Luksch
Grafik Titelseite:
Ediundsepp
1
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Vorwort
In den Agrarwissenschaften verbinden sich unterschiedlichsten Disziplinen zu einer komplexen
Systemwissenschaft. Zukunftsweisende Schlüsseltechnologien sind dabei Digitalisierung und das Daten- und
Informationsmanagement.
Neue digitale Methoden helfen bei der Erfassung, dem Verständnis und dem Management komplexer
Systeme.
Intelligente „off-road“- Fahrzeugsteuerungen und Roboter haben längst einen bedeutsamen Platz in der
praktischen Landwirtschaft erobert.
Die Zusammenführung der immensen Datenströme in intelligenten Datenbanken und ihre Auswertung wird
nicht nur produktionstechnische Aspekte grundlegend ändern,
sondern auch die Wahrnehmung der Landwirtschaft in Politik und Gesellschaft.
Im Rahmen des eintägigen Symposiums in Weihenstephan wollen wir Schlaglichter auf
aktuelle Forschungsthemen in diesem Bereich werfen mit einem Fokus auf den Aspekt der
Vernetzung verschiedener Technologien.
Ihr Team des Hans Eisenmann-Forums
Das Hans Eisenmann-Forum für Agrarwissenschaften verbindet die agrarwissenschaftlich orientierten Professuren der Technischen
Universität München. Schwerpunkte sind die Vernetzung der agrarwissenschaftlichen Forschung, die Initiierung gemeinsamer
Forschungsvorhaben, die Vermittlung fachlicher Expertise und die Förderung des Wissenstransfers durch Vortragsveranstaltungen und
Symposien für Wissenschaftler, Studierende, Praktiker und Experten der Agrarwirtschaft.
www.hef.tum.de
2
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Programm
Begrüßung
Claudia Luksch (Geschäftsführende Referentin)
09:00
Moderation
Tobias Hildebrandt (Bayerischer Rundfunk)
Vorträge
09:15 – 10:00
Prof. Dr. Cornelia Weltzien
TU Berlin, Leibniz Institut für Agrartechnik und Bioökonomie
Wird die Digitalisierung den Weg zu einer umweltgesteuerten Landwirtschaft weisen?
10:05 – 10:35
Prof. Dr. Anne-Kathrin Mahlein
Georg-August-Universität Göttingen
Von Daten zur Information zur Entscheidung – Einsatz digitaler Technologien zum Monitoring von
Pflanzen
10:40 – 11:10
Prof. Dr. Chris McCool
Rheinische Friedrich-Wilhelm-Universität Bonn
Robotics and Vision for Precision Agriculture
11:15 – 11:30 Kaffeepause
11:35 – 12:05
Prof. Dr. Andreas Knopp
Universität der Bundeswehr, München
Verstärkung aus dem All – Satellitenkommunikation für die digitale Landwirtschaft
12:10 – 12:40
Prof. Dr. Ribana Roscher
Rheinische Friedrich-Wilhelms-Universität Bonn
Mit maschinellem Lernen zu neuen Möglichkeiten in der Landwirtschaft
3
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
12:40 – 13:30 Mittagspause
13:30 – 14:30 Posterpräsentationen
14:35 – 15:05
Dr. Dimitrios Paraforos
Universität Hohenheim
Ifaros Projekt – wie genau sollte Precision Farming sein?
15:10 – 15:40
Prof. Dr. Thomas H. Kolbe
Technische Universität München
Die Forschungsdateninfrastruktur des Hans Eisenmann-Forums (HEF) für die Agrarwissenschaften der TUM
15:45 – 16:05 Kaffeepause
16:10 – 16:55
Prof. Dr. Senthold Asseng
University of Florida/Technische Universität München
Future Farming
17:00 – 17:40
Podiumsdiskussion
mit allen ReferentInnen und Referenten
Schlussworte
ca. 17:45
4
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Inhaltsverzeichnis
Vorwort ............................................................................................................................................................................. 2
Programm .......................................................................................................................................................................... 3
Manuskripte zu den Vorträgen ......................................................................................................................................... 6
Von Daten zur Information zur Entscheidung – Einsatz digitaler Technologien zum Monitoring von Pflanzen ......... 7
Robotics and Vision for Precision Agriculture ............................................................................................................ 11
Verstärkung aus dem All – Satellitenkommunikation für die digitale Landwirtschaft .............................................. 14
Mit maschinellem Lernen zu neuen Möglichkeiten in der Landwirtschaft................................................................ 21
iFAROS project – How precise should Precision Farming be?.................................................................................... 24
Die Forschungsdateninfrastruktur des Hans Eisenmann-Forums (HEF) für die Agrarwissenschaften der TUM ....... 28
Future Farming ........................................................................................................................................................... 29
Manuskripte zu den Postern ........................................................................................................................................... 32
Experimentierfeld „DigiMilch“: Digitalisierung der Prozesskette Milcherzeugung. .................................................. 33
Digimilch - Demonstrationsprojekt 1: Wirtschaftsdüngermanagement.................................................................... 35
DigiMilch - Demonstrationsprojekt 2: Sensorgestützte Ertragsermittlung ............................................................... 37
DigiMilch - Demonstrationsprojekt 3: Fütterungsmanagment .................................................................................. 39
DigiMilch - Demonstrationsprojekt 4: Vernetzte Stalltechnik ................................................................................... 41
DigiMilch - Demonstrationsprojekt 5: Vernetzte tierindividuelle Sensorsysteme .................................................... 43
Entwicklung eines Monitoringsystems zur Ermittlung einer beginnenden Hitzebelastung bei Milchkühen mit
Weidehaltung ............................................................................................................................................................. 45
Automatische Lahmheitserkennung anhand von Leistungs- und Verhaltensparametern ........................................ 48
Small field robots for small-scale farmers? ................................................................................................................ 50
Digitale Technologien für eine gesellschaftlich akzeptierte Landwirtschaft? ............................................................ 52
AKUSIO - Acoustic Sensor Data Fusion for Networked and Automated Biodiversity Monitoring ............................. 54
Ein Offenes und Standardisiertes Internet der Dinge für eine Digitale und Kooperative Agrarwissenschaftliche
Forschung ................................................................................................................................................................... 57
Digitalization in Agriculture: New Research Area or Buzz-Word Trend? A Literature Analysis ................................ 59
5
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Manuskripte zu den Vorträgen
6
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Anne-Katrin Mahlein
Institut für Zuckerrübenforschung
Holtenser Landstrasse 77
37079 Göttingen
mahlein@ifz-goettingen.de
Von Daten zur Information zur Entscheidung – Einsatz digitaler Technologien
zum Monitoring von Pflanzen
Digitale Technologien halten zunehmend Einzug in die Landwirtschaft. Sie zeigen bereits heute ein großes Potenzial
für die effiziente Verwaltung von Anwendungen im Feld. Innovationen und die enormen Fortschritte in den Bereichen
Sensor- und Kameratechnik, Plattformen und maschinelles Lernen sind positiv zu bewerten. Intensive Forschung durch
verschiedene Institutionen und technische Entwicklung unterstützen die Umsetzung in der Landwirtschaft. Die
Einbindung von Expertenwissen in die Auswertung von Sensordaten und von Ergebnissen des maschinellen Lernens
ist dabei unerlässlich, um das Potenzial digitaler Technologien gezielt nutzen zu können. Im Bereich der
Pflanzenwissenschaften geht es dabei um die Erkennung von Krankheiten und Stressursachen, aber auch um
Parameter wie Bestandsentwicklung und Ertragsbildung.
Diverse optische Technologien und deren Einsatzmöglichkeiten zur Erkennung von Pflanzenstress (biotischen und
abiotischen) erfahren zurzeit ein großes Interesse der Landwirte und Agribusiness-Unternehmen sowie in der
Gesellschaft. Um diese Technologien effektiv in die landwirtschaftliche Praxis zu integrieren, bedarf es noch einer
intensiven Forschung und der Entwicklung von praxistauglichen Routinen. Die Interpretation der Daten im
agrarwissenschaftlichen Kontext spielt eine entscheidende Rolle. Wissenschaftliche Studien haben bereits gezeigt,
dass optische Sensoren eine akkurate und objektive Bonitur von Pflanzenmerkmalen wie zum Beispiel Krankheiten
oder Trockenstress ermöglichen. Die Ergebnisse dieser Studien nun dem Pflanzenbau zugänglich zu machen ist die
aktuelle Herausforderung.
Optische Sensoren arbeiten nicht-invasiv und können damit über die Vegetationsperiode die Entwicklung an ein und
derselben Pflanze oder eines Feldes betrachten. Mit verschiedenen Technologien wie zum Beispiel digitaler
Bildverarbeitung (RGB), Chlorophyllfluoreszenz, 3D-Imaging, thermographische (TIR) und hyperspektrale Sensoren
(HSI) können relevante Pflanzenparameter charakterisiert werden (Bock et al. 2020). Aktuell wurde z. B. eine
Smartphone-Anwendung zur automatischen Erkennung von Zuckerrübenkrankheiten publiziert, bei der mit einer
konventionellen Smartphone-Kamera Bilder von Zuckerrübenblättern durch den Landwirt oder Berater aufgenommen
und anschließend in einer App ausgewertet werden. So steht innerhalb von Sekunden eine Information zur
Krankheitsursache bereit (www.isip.de/isip/servlet/isip-de/apps). Smartphone-Anwendungen dieser Art sind vor
allem für die landwirtschaftliche Beratung, Landwirte, aber auch den privaten Gebrauch geeignet. Allerdings müssen
7
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
hier die Krankheitssymptome bereits mit bloßem Auge erkennbar sein. Der Datendurchsatz ist dabei noch begrenzt
und die erhobenen Informationen könnten zukünftig in Prognose/Expertensystemen für zeitlich abgestimmte
Pflanzenschutzmaßnahmen integriert werden. Eine Bekämpfungsentscheidung erfolgt in der Praxis jedoch nach
Schadschwellensystemen, die bisher noch nicht sensortechnologisch definiert werden konnten. Verschiedene
Anwendungsfelder mit Drohnen als Plattformen sind aktuell ebenfalls weit verbreitet, zum Beispiel zur Erkennung von
Unkräutern anhand von RGB-Bildern oder zum Zahlen von Pflanzenbeständen und ableiten von Ertragsparametern
(www.phenoinspect.de) (Chebrolu et al. 2019). Es können nicht nur Einzelpflanzen erfasst und in ihrer Entwicklung
beobachtet werden sondern auch einzelne Ähren detektiert werden.
Abbildung 1. Drohne mit multispektraler Kamera und Drohne mit hoch aufgelöster RGB-Kamera auf dem digitalen
Experimentierfeld FarmerSpace in Göttingen im Einsatz.
Auch Wärmebildaufnahmen ermöglichen eine Erkennung von Pflanzenkrankheiten, da die gemessene Temperatur
einer Pflanze mit der Wasserbilanz und der Transpiration − beides Parameter, die durch Krankheiten beeinflusst
werden − eng korreliert ist. Wärmebildaufnahmen sind zwar einerseits hochempfindlich, aber eine Differenzierung
zwischen biotischen (Krankheiten) und abiotischen Auslösern (z. B. Trockenstress) für Temperaturveränderungen bei
Pflanzen ist zzt. nur begrenzt möglich. Ähnlich verhält es sich bei der Chlorophyllfluoreszenz, eine ebenfalls
hochempfindliche Methode zur Erfassung von Stress ohne die Möglichkeit zur Differenzierung von Ursachen.
8
Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Ein großes Potential wird aktuell hyperspektralen Sensoren zugesprochen. Diese Sensoren erfassen die Reflexion von
Pflanzen in unterschiedlichen Wellenlängen (Mahlein et al. 2018). Diese Reflexion wird maßgeblich durch
pflanzentypische Eigenschaften bestimmt. Der sichtbare Bereich (VIS) von 400-700 nm wird durch den Gehalt an
Blattpigmenten beeinflusst. Im Nahinfrarot (NIR) von 700-1000 nm spielen die Struktur des pflanzlichen Gewebes und
die Architektur des Bestandes eine entscheidende Rolle (Paulus & Mahlein 2020). Der kurzwellige Infrarotbereich
(SWIR) von 1000-2500 nm wird durch den Gehalt an verschiedenen Inhaltstoffen wie Lignin, Cellulose, Aminosäuren
und insbesondere durch den Wassergehalt geprägt. Biotischer und abiotischer Stress beeinflussen diese Faktoren in
charakteristischer Weise, so dass die Summe der Einflüsse in Ihrer Komplexität zu spezifischen spektralen Mustern
führen. Hyperspektrale Fernerkundungsverfahren sind z. B. besonders gut geeignet um Pflanzenkrankheiten zu
erkennen, die heterogen im Bestand verbreitet sind und Befallsnester ausbilden.
Abbildung 2: Zuckerrübenfeld mit einer Drohne und einer Multispektralkamera aufgenommen. Das Falschfarbenbild
visualisiert Werte des Normalized Difference Vegetation Index (NDVI) dar, welcher mit den Faktoren Vitalität und
Biomasse korreliert.
Für eine erfolgreiche Implementierung in die landwirtschaftliche Praxis müssen spezifischere, robuste und
kostengünstigere Sensoren entwickelt werden. Neben Technologien für die Aufnahmen von Pflanzenbeständen
kommt der Auswertung der meist sehr komplexen Daten eine Schlüsselrolle zu – das Überfliegen mit der Drohne
alleine reicht nicht aus. Das Datenhandling und die Interpretation der Daten stellt hohe Anforderungen an die
Speicher- und Rechenkapazität und es gilt − möglichst in Echtzeit – Entscheidungsgrundlagen zu liefern. Aktuelle
Entwicklungen im Bereich des sogenannten Maschinellen Lernens sind hier vielversprechend, bringen aber eine hohe
Komplexität bei der Entwicklung mit sich (Schramowski et al 2020).
Eine Plattform um aktuell verfügbare Verfahren und Entwicklungen zu evaluieren wird durch das Experimentierfeld
„Farmerspace“ am in Göttingen durch die Projektpartner Institut für Zuckerrübenforschung, Abteilung Agrartechnik
Universität Göttingen, IOSB Fraunhofer und Landwirtschaftkammer Niedersachsen etabliert. Zum Thema „Digitaler
Pflanzenschutz“ sind Akteure verschiedenster Kategorie vom Hersteller für Anbaugeräte über Prognoseanbieter bis
9Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
hin zu Anbietern von smarten Sensoren eingeladen, gemeinsam mit den Projektpartnern ihre Produkte auf den
Projektfeldern zu evaluieren und die Ergebnisse auf Feldtagen zu zeigen.
Danksagung
FarmerSpace ist eines von bundesweit 14 Projekten, die im Rahmen der Digitalisierungsstrategie des BMEL gefördert
werden. Projektträger ist die Bundesanstalt für Landwirtschaft und Ernährung (BLE).
Literatur
Bock, C., J.G.A. Barbedo, E.M. Del Ponte, K.-S. Chiang, D. Bohnenkamp, A.-K. Mahlein (2020). From visual estimates to
fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy.
Phytopathology Research 2 (2020), Article Number 9, 1-36, doi 10.1186/s42483-020-00049-8
Chebrolu, N., P. Lottes, T. Laebe, and C. Stachniss (2019) Robot Localization Based on Aerial Images for Precision
Agriculture Tasks in Crop Fields,” in Proc. of the IEEE Intl. Conf. on Robotics & Automation (ICRA)
Mahlein, A.-K., M. T. Kuska, J. Behmann, G. Polder, A. Walter (2018) Hyperspectral Sensors and Imaging Technologies
in Phytopathology: State of the Art. Annual Review of Phytopathology 56, 535-558
Paulus, S., A.-K. Mahlein (2020) Technical workflows for hyperspectral plant image assessment and processing on the
greenhouse and laboratory scale. GigaScience 9, doi: 10.1093/gigascience/giaa090
Schramowski, P., W. Stammer, S. Teso, A. Brugger, F. Herbert, X. Shao, H.-G. Luigs, A.-K. Mahlein, K. Kersting (2020)
Making deep neural networks right for the right scientific reasons by interacting with their explanations. Nature
Machine Intelligence (2020) 2, 476-486, doi: 10.1038/s42256-020-0212-3; https://rdcu.be/b6dRr
10Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Chris McCool
Agriculturel Engineering and
Robotics
University of Bonn
cmccool@uni-bonn.de
Robotics and Vision for Precision Agriculture
Overview
Robotics and autonomous systems offer the potential to revolutionise agricultural practices by enabling plant-specific
management. This can only be achieved if they are able to sense and understand the state of each plant in the field. A
critical element for unlocking this potential is the robotic vision systems that enable robots and autonomous systems
to understand and sense their environment.
Advances in robotic vision and machine learning is critical to enabling widespread deployment of robotics in
agriculture. However, there is still a considerable gap between farming requirements and available technology due to
the large differences between cropping environments. This creates a pressing need for models with greater
generalisability. This presentation will discuss some of the advances in robotic vision and present recent methods that
have explored the generalizability across fields and how to learn lightweight models that could be deployed in resource
limited environments, such as robots.
Advances in Robotic Vision
Recent advances in machine learning have had considerable impact for robots that are deployed in the real world
(agricultural robotics). In [1], we proposed a system, termed DeepFruits, that was capable of detecting fruits in a range
of different environments. This approach explored the use of using the Faster-RCNN framework [4] to perform fruit
detection as well as exploring how to combine multi-modal, color (RGB) and near-infrared (NIR), to improve detection
performance. It was demonstrated that this approach could yield improvements in the detection accuracy and was
quicker to deploy to new environments compared to prior approaches [2]. This is because the detection approach
underlying DeepFruits only requires the labelling of a bounding box, whereas, prior approaches required pixel-level
annotations. The generalizability of this approach was demonstrated on seven fruit. Building on the advances from
DeepFruits we then explored how to estimate finer-grained phenotypic information.
An approach such as DeepFruits can be used as the basis for building correlations to predict the yield. This is important
but coarse information, however, even finer-grained phenotypic information could be obtained if we could use this
approach to estimate the number of fruit and their current state (e.g. ripeness). In [3], we presented an approach to
do this by exploiting video sequences. Using the video sequence enabled us to perform tracking-via-detection and thus
11Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
perform fruit counting. Furthermore, we introduced a parallel structure to the Faster-RCNN framework [4] to estimate
the ripeness of the detected fruit. This allowed us to, in a single network, both detect and estimate the ripeness of
sweet pepper in the field.
Generalizabiliy Across Fields
For the widespread deployment of robotics to become a reality, the algorithms need to have high accuracy in a range
of cropping environments. Despite the advances presented in the prior work, there is still a considerable gap between
farming requirements and the capability of current technology to be deployed in a variety of different cropping
environments. To address, this we have been exploring ways to improve generalizability of our models.
In [5], we explored the issue of generalisability by exploring the ability of our algorithms to deal with different cultivar
(subspecies) and deployed in different environments (field vs glasshouse). Using data collected in both the northern
and southern hemisphere we were able to have a range of datasets that allowed us to investigate the impact of varying
domains, cultivar, cameras, and geographic locations; this data has been released and we hope that it stimulates
greater research in this area. Using this data, we were able to highlight the importance of using a variety of data to
train our models. Additionally, it was found that multi-task learning could greatly enhance the generalizability of our
models.
We extended the DeepFruits architecture, based on Faster-RCNN, to include instance-based semantic segmentation
using the Mask-RCNN framework [6]. Using this to drive multi-task learning it was found that we could increase the
detection performance across datasets from 0.323 to 0.700, for the F1 score. This result is important as it indicates
that rather than just adding more data it is possible to improve generalizability by presenting different tasks to the
learning algorithm.
Lightweight Models for Resource Limited Environments (Robots)
The algorithms that we have described all rely on deep learning but, a problem with deep learning is that these models
can be computationally expensive to deploy. As an example, even the relatively small Inception-v3 model consists of
25M parameters while the commonly used VGG network has 180M. Deploying some of these advanced models
requires considerable computing infrastructure which is not always possible on a robot which has limited space and
energy.
To overcome some of the above issues, in [7] explored a novel approach to training deep convolutional neural
networks (DCNNs) that allowed us to trade off complexity and accuracy. This led to the development of lightweight
models suitable for robotic platforms. The approach consists of three stages. First, we adapt a pre-trained model to
the task at hand. This provides state-of-the-art performance but at the cost of high computational complexity. Second,
we use the adapted model and employ model compression techniques to learn a lightweight DCNN that is less accurate
but has considerably fewer parameters. Third, we combine several of these lightweight models to provide improved
performance. The combination is performed using a mixture approach [8]. Using this approach for the task of weed
12Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
segmentation, we were able to improve the accuracy from 85.9%, using a traditional approach, to 93.9% by adapting
a complicated pre-trained DCNN (Inception-v3). However, this adapted model could not run in real-time (0.12 fps).
Employing the proposed approach, we were able to learn a mixture of lightweight models that could achieve
accuracies over 90% while running in real-time (> 1fps).
Literature
[1] Inkyu Sa, Zongyuan Ge, Feras Dayoub, Ben Upcroft, Tristan Perez, Chris McCool, "DeepFruits: A fruit detection
system using deep neural networks", Sensors, 2016.
[2] Chris McCool, Inkyu Sa, Feras Dayoub, Christopher Lehnert, Tristan Perez, Ben Upcroft, "Visual detection of
occluded crop: For automated harvesting", IEEE International Conference on Robotics and Automation (ICRA),
2016.
[3] Michael Halstead, Christopher McCool, Simon Denman, Tristan Perez, Clinton Fookes, "Fruit quantity and
ripeness estimation using a robotic vision system", IEEE Robotics and Automation Letters, 2018
[4] S. Ren, K. He, R. Girshick, J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal
Networks", Advances in Neural Information Processing Systems 28, 2015.
[5] M. Halstead, S. Denman, C. Fookes, C. McCool, "Fruit Detection in the Wild: The Impact of Varying Conditions
and Cultivar", To appear in Digital Image Computing: Techniques and Applications, 2020.
[6] K. He, G. Gkioxari, P. Dollár and R. Girshick, "Mask R-CNN", IEEE International Conference on Computer Vision
(ICCV), 2017.
[7] C. McCool, T. Perez, B. Upcroft, "Mixtures of lightweight deep convolutional neural networks: applied to
agricultural robotics", IEEE Robotics and Automation Letters, 2017.
[8] ZongYuan Ge, Alex Bewley, Christopher McCool, Peter Corke, Ben Upcroft, Conrad Sanderson, "Fine-grained
classification via mixture of deep convolutional neural networks", IEEE Winter Conference on Applications of
Computer Vision (WACV), 2016.
13Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Andreas Knopp
Universität der Bundewehr
Institut für Informationstechnik
Werner-Heisenberg-Weg 39
85577 Neubiberg
Andreas.knopp@unibw.de
Verstärkung aus dem All – Satellitenkommunikation für die digitale
Landwirtschaft
Kurzzusammenfassung
Die Digitalisierung der Landwirtschaft hängt von leistungsfähigen Kommunikationsnetzen für die Anbindung von
Sensoren und Effektoren an das “Internet der Dinge” ab. In vielen landwirtschaftlich bedeutenden Regionen stehen
moderne Mobilfunknetze aber bisher nicht zur Verfügung. Satellitendienste sind eine etablierte und zuverlässige
technische Lösung für die Anbindung entlegener Regionen. Innovative Satellitendienste im Kontext des “Internet der
Dinge” können bestehende Angebote ergänzen und unerschlossener Gebiete in Netz bringen.
Einführung
Die Nutzung von digitalen Mehrwertdiensten für die Landwirtschaft, subsummiert unter modernen Begriffen wie
„Smart Farming“ oder „Precision Agriculture“, ist in vielen Bereichen bereits etabliert und gewinnt weiter an
Bedeutung. Viele oder sogar die meisten der heutigen Services nutzen bereits Satellitendaten, insbesondere
Erdbeobachtungsdaten und Satellitennavigationsdaten. Das breite Angebote an satellitenbasierten Mehrwertdiensten
illustriert Abbildung 1. Ein prominentes Beispiel ist das Copernicus Programm der Europäischen Kommission, welches
optische Satellitenbilder, Aufnahmen im nahen Infrarot und Radardaten bereitstellt und von vielen Landwirten genutzt
wird, um beispielsweise das Pflanzenwachstum zu kontrollieren und den Düngemitteleinsatz sowie die Bewässerung
von Feldern zu optimieren. Satellitennavigationssysteme sind bei der Automatisierung von Erntemaschinen im Einsatz;
zunehmend wird die Erdbeobachtung per Satellit auch in der Waldwirtschaft verwendet. Im 10.
Agrarwissenschaftlichen Symposium des Hans Eisenmann Forums 2019 wurde bereits über die Möglichkeiten der
Erdbeobachtung für die Digitalisierung der Landwirtschaft berichtet. Dabei wurden auch neue Methoden der
künstlichen Intelligenz (KI) für die Datenauswertung vorgestellt (Körner, 2019). Der vorliegende Beitrag erweitert das
Spektrum nunmehr um Technologien aus den Bereichen der Satelliten- und Weltraumkommunikation mit besonderem
Fokus auf das Internet der Dinge (engl. Internet of Things, kurz: IoT), da die Anbindung von Maschinen und Sensoren
mithilfe von IoT-spezifischer Funktechnologie neue Möglichkeiten der Steigerung von Produktivität und Effizienz
14Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
bietet.
Abbildung 1: Die wichtigsten Satellitendienste und Infrastrukturelemente mit Relevanz für die Landwirtschaft.
Ausgewählte Zahlen und Fakten zum Internet der Dinge
Man darf heute davon ausgehen, dass die Relevanz von IoT Dienstleistungen in allen Lebensbereichen dramatisch
zunehmen wird. Inzwischen wird vorhergesagt, dass bereits bis zum Jahr 2025 die Anzahl vernetzter Endgeräte auf ca.
25 Mrd steigen wird (Ericsson, 2020). Während 78% der IoT Anwendungen weiterhin im Bereich des sog. short range
IoT gesehen werden, einem Segment, das schon heute verschiedene Funktechnologien wie „Bluetooth“ oder „Zigbee“
mit einer typischen Reichweite bis zu 100 Metern zusammenfasst, sollen ca. 22% (5.5 Mrd) der IoT Verbindungen
zukünftig auf sog. wide area Anwendungen entfallen. Diese Gruppe der wide area Verbindungen beschreibt eher
großflächig verteilte und zu vernetzende Endgeräte. Sie wird weiter unterteilt in die drei Kategorien massive IoT zur
Abgrenzung von broadband IoT und critical IoT Applikationen. In der Klasse der massive IoT Anwendungen werden
große Zahlen preisgünstiger Endgeräte mit geringer Komplexität und langer Batterielebensdauer gesehen, deren
Datendurchsatz und Sendehäufigkeit eher gering bleiben. Im Gegensatz dazu sind beim broadband IoT die
Datenratenanforderungen deutlich höher, während zugleich geringer Latenzzeiten benötigt werden. Schließlich bilden
die critical IoT Anwendungen eine eigene Klasse besonders zeitkritischer Applikationen mit höchsten Zuverlässigkeits-
und Latenzvorgaben, bspw. im Bereich des autonomen Fahrens.
Etwa 95% aller wide area IoT Verbindungen wird nach heutiger Prognose über zellulare Netze, d.h. die Mobilfunknetze,
realisiert werden (Ericsson, 2020). Während für die überwiegende Anzahl von massive IoT Funktionen (ca. 52% aller
wide area Verbindungen) dabei schon 2G und 3G Netze ausreichend sind, kann der Großteil der broadband IoT
Anwendungen (ca. 34% aller wide area Verbindungen) mit 4G Netzen sichergestellt werden. Die critical IoT
Anwendungen erfordern dagegen zwingend 5G Serviceelemente und werden im 5G Standard einen eigenen Platz
15Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
finden.
Rechnerisch verbleiben 5% der wide area Verbindungen, die als non-cellular IoT nicht mit zellularen Netzen realisiert
werden (ca. 275 Mio). Die Masse nicht-zellularen IoTs entfällt dabei auf die „Low Power Wide Area“ (LPWAN)
Technologien, also eigene Übertragungsstandards außerhalb von 5G, mit denen räumlich begrenzte IoT Netze mit
besonders geringer Bandbreite und Sendeleistung aufgebaut werden können. Die bekanntesten LPWAN Technologien
bzw. (Quasi-) Standards sind heute LoRa und SigFox. Besonders LoRa hat mit mehr als 140 Netzen in 161 Ländern
(Stand September 2020) großen Erfolg. Die hinter dem Standard stehende LoRa Allianz bezeichnet sich nicht ohne
Grund selbst als die am schnellsten wachsende Gemeinschaft für die großflächige Verbreitung leistungsfähiger IoT
Netze mit mehr als 500 Mitgliedsfirmen weltweit (LoRa Alliance, 2020). Angesichts extrem attraktiver Preismodelle für
die Geräte und Services, die heute auch viele kostenfreie Elemente beinhalten, sowie einer schnell wachsenden
Gemeinschaft von „open source“ Entwicklern und Anwendern gehen Experten davon aus, dass die Schätzung von 275
Mio non-cellular IoT Verbindungen bis 2025 eher konservativ sein dürfte, ebenso wie der geschätzte Anteil von nur 5%
an allen wide area IoT Anwendungen. Praktische Bedeutung auch hierzulande haben LoRa Netze sowie auch andere
LPWAN Technologien im Bereich der „Smart City“ Services städtischer Energieversorgungs- und
Transportunternehmen, aber auch in der Vernetzung großer Industrie- und Fertigungsanlagen („Industrie 4.0“). Die
großen deutschen Mobilfunkunternehmen erkennen zunehmend die Bedeutung von LPWAN Systemen an und planen,
eigene Sendemasten neben 5G freiwillig auch um LPWAN Elemente zu erweitern.
Satelliten im Internet der Dinge
Da also eine Vielzahl von IoT Endgeräte in abgelegenen und infrastrukturell wenig erschlossenen Gebieten
Verwendung finden wird, ist auch das Interesse der Satellitenbetreiber an diesem Marktsegment geweckt (ESOA -
EMEA Satellite Operators Association, 2020). Typische Beispiele für die avisierten Anwendungen sind Sensoren in der
Öl- und Gasindustrie, der Wasserwirtschaft, der weltweiten Bahn- und Seelogistik oder eben der Umwelttechnik und
Landwirtschaft. Darüber hinaus sollen mit neuen „Satelliten-Megakonstellationen“ in niedrigen Erdorbits auch
latenzkritische Anwendungen unterstützt werden, insbesondere in den Bereichen autonomes Fahren und Fliegen.
Solche Megakonstellationen werden heute vermehrt von privaten Initiativen vorangetrieben; zu den bekanntesten
und wirtschaftlich aussichtsreicheren Beispielen gehören nach dem Stand der öffentlich verfügbaren Informationen
wohl das „Starlink“-System des Technologie-Entrepreneurs Elon Musk oder das „Kuiper Projekt“ des Amazon-Gründers
Jeff Bezos.
In Abhängigkeit der Marktanforderungen und der Anwendungsszenarien setzen satellitenbasierte Angebote heute
sowohl auf zellulare (5G) Technologien als auch auf nicht zellulare LPWAN Dienste. Entscheidend sind in den meisten
Fällen die Latenzanforderungen der angestrebten Anwendung, der Bedarf an Integration in vorhandene Netze,
Beschränkungen für die Bauform und Größe der Antennen sowie die benötigte Datenrate und Sendewiederholrate.
Vor allem die Megakonstellationen setzen häufig auf den 5G Standard, um damit terrestrische Mobilfunknetze zu
erweitern und zu verdichten und eine hohe Bandbreite von autonomen Mobilitätsanwendungen zu ermöglichen.
Vorteilhaft an dieser Strategie ist außerdem die Verfügbarkeit einer breiten Palette terrestrischer Endgeräte und damit
eine breite Kundenbasis. Alternativ zu den Weltraum-Entrepreneuren bieten auch die traditionellen
16Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Satellitenbetreiber inzwischen eigene Produkte zur Integration ihrer Satelliten in terrestrische Netze an. Neben 5G
spielen hier auch LPWAN Systeme und Kleinsatellitenkonstellationen (sog. Micro- oder Nano-Satellites) eine Rolle,
ebenso wie immer wieder neue Startup-Firmen, die satellitenbasierte IoT-Dienstleistungen entwickeln. Hinzu kommen
derzeit mehr als 150 angekündigte Satellitenkonstellationen weltweit mit über 25.000 Satelliten, von denen allein 20
gezielt den IoT Markt adressieren (NSR - Northern Sky Research, 2019). Auch wenn die tatsächliche Angebotsvielfalt
und Realisierungsquote aufgrund der finanziellen und regulatorischen Hürden wohl deutlich geringer bleiben dürften,
unterstreichen diese Zahlen das kommerzielle Interesse an der Raumfahrt für IoT. Die unterschiedlichen
Herkunftsländer dieser Unternehmen, bspw. Hiber (Niederlande), Myriota (Australien) oder Swarm (USA), spiegeln
den globalen Technologiewettlauf anschaulich wider. Deutschland hat zwar noch kein äquivalentes Unternehmen im
Markt, es existieren aber durchaus vielversprechende Initiativen und die verschiedenen jüngst initiierten
Innovationsprogramme in Bayern und im Bund werden hoffentlich ihren Beitrag im wiederkehrenden „Wettlauf um
den Weltraum“ leisten.
Dem Vorteil günstiger Latenzbedingungen aufgrund des vglw. geringen Abstandes der Satelliten von der
Erdoberfläche, der in der Regel 1.000 km nicht überschreitet, steht bei Megakonstellationen der Nachteil gegenüber,
dass für permanente Netzverfügbarkeit sehr viele Satelliten benötigt werden. Je nach Höhe der Flugbahn, der
gewünschten Netzverfügbarkeit, der Anzahl unterstützter Nutzer oder des Datenratenbedarfs werden
Satellitenkonstellationen mit knapp unter hundert bis hin zu mehreren tausend Einzelsatelliten geplant, die in der
Regel in einer Formation geflogen werden. Typische Konstellation wie das bereits genannte Starlink-System planen
mit 600-800 Einzelsatelliten mit etwas mehr als 500 km Flugbahnhöhe. Trotz der damit verbundenen Möglichkeiten
einer Serienfertigung in Verbindung mit einem hohen Grad an Automatisierung im Flugbetrieb benötigten solche
Konstellationen Milliardeninvestitionen.
Eine heute preisgünstigere Alternative bildet die Klasse der geostationären Satelliten, die mit ca. 36.000 km
Bahnabstand über dem Äquator dieselbe Winkelgeschwindigkeit wie die Erde haben. Damit nehmen geostationäre
Satelliten aus Sicht des Beobachters auf der Erde eine scheinbar unveränderliche Position ein. Solche Satelliten werden
seit den 1960er Jahren insbesondere für die Verbreitung von Rundfunk genutzt und können mit fest installierten
Antennen empfangen werden. Ein moderner geostationärer Satellit kann heute in einem definierten Bereich der
Erdoberfläche eine Netzstruktur aufbauen, die nach Art und Nutzungsmöglichkeiten mit einem Mobilfunknetz
vergleichbar ist. Jedoch gibt es den wichtigen und physikalisch unumstößlichen Unterschied, dass durch die langen
Signalwege die Latenz der Signale etwa eine Größenordnung höher ist als bei 4G und etwa zwei Größenordnungen
höher als bei 5G. Diesem Nachteil steht wiederum der Vorteil gegenüber, dass die Installations- und Betriebskosten
eines geostationären Satelliten um mindestens eine Größenordnung geringer sind als bei einer Konstellation im
niedrigen Erdorbit. Dafür wird zwar auch nur ein Teil der Erde versorgt, bspw. ein Land oder Kontinent, dies entspricht
nicht selten aber auch exakt dem Bedarf, nicht nur in der Landwirtschaft.
IoT für geostationäre Satelliten ist derzeit noch ein Nischenthema, das aber zunehmend auf wissenschaftliches und
kommerzielles Interesse stößt (Knopp, 2020). Aus Sicht der Hersteller von IoT Produkten scheiden geostationäre
Satelliten nicht in erster Linie wegen der unvermeidbaren Latenz aus, denn ein großer Teil der massive IoT
Anwendungen hat keine Echtzeitanforderungen. Das Problem ist vielmehr die geringe erreichbare Datenrate bei
17Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
kleinen Antennengrößen am Boden in Verbindung mit technischen Randbedingungen klassischer IoT-
Übertragungsverfahren. Zur Illustration und groben Orientierung zeigt Abbildung 2 einige Antennenbeispiele und die
Größenordnung der erreichbaren Datenrate bei Nutzung typischer geostationärer Satelliten und Sendefrequenzen um
10 GHz. Angenommen ist ferner freie Sicht zum Satelliten.
Abbildung 2: Antennengrößen und Datenraten-Regime bei Nutzung geostationärer Satelliten.
Um sehr kleine IoT-Sender realisieren zu können, bleibt die Datenrate auf einige 10 bis 100 Bit/sec beschränkt, sodass
die Übermittlung eines Telegramms mit einigen Kilobyte Dateninhalt, bspw. eines Temperaturwertes oder einer
Koordinate, mehrere Sekunden in Anspruch nehmen wird. Zwar ist dies von der Anwendungsseite her meistens
unproblematisch, aber solche langen Telegramme stellen höchste Anforderungen an die Synchronisation, d.h. an die
Fähigkeit des Empfängers, das Telegramm auch über längere Zeit fehlerfrei detektieren zu können. Soll der Empfang
zugleich bei sehr niedrigen Sendeleistungen möglich sein, eine bei batteriebetriebenen Geräten unabdingbare
Anforderung, müssen bereits im technischen Entwurf des Übertragungsverfahrens Vorkehrungen getroffen werden.
Von den bisher diskutierten IoT Übertragungsverfahren kommt daher keines für die geostationäre
Satellitenübertragung infrage, da alle mindestens einige Kilobit kontinuierliche Datenrate benötigen, um vom
Empfänger fehlerfrei detektiert zu werden. So konnte mit einem LoRa Einzelsender bspw. eine erfolgreiche
Übertragung über geostationäre Satelliten demonstriert werden, dabei kam aber eine für IoT recht große Antennen
(die zweite Antenne von rechts in Abbildung 2) zum Einsatz, um eine Kilobitrate zu erreichen. Zu beachten ist ferner,
dass bei LoRa und anderen LPWAN-Signalen die Kollision von Telegrammen verschiedener Sender am Eingang des
Empfängers schnell zur Überlastung des Systems führt. Gerade beim Einsatz von Satelliten, die einen großen Bereich
der Erde und damit viele potenzielle Sender erfassen, ist das problematisch. Die genannten Nachteile bekannter
LPWAN Verfahren haben schließlich zur Entwicklung optimierter LPWAN Signalformen für geostationäre Satelliten
geführt (Hofmann & Knopp, 2020). Weitere Impulse zur Verbesserung kommen aus dem Bereich der
Codierungstheorie, insbesondere für sehr kurze Telegramme und geringe Sendeleistungen (Kramer, Liva, Donev, &
Coskun, 2020).
18Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Satellitenkommunikation – neue Optionen für die Landwirtschaft
Abbildung 3: Hybride Vernetzungsoptionen unter Nutzung von Satellitenverbindungen (der Satellit kann ein Einzelsatellit
sein oder stellvertretend für eine Konstellation stehen).
Kommunikationssatelliten können nicht nur im Internet der Dinge einen Beitrag zur Digitalisierung der Landwirtschaft
leisten. Auch bei der Breitbandversorgung oder der Anbindung von Mobilfunksendeanlagen können sie Ausbaulücken
schließen und vorhandene Netze bis in abgelegene Regionen hinein erweitern. Abbildung 3 illustriert hierzu diverse
Vernetzungsoptionen. Mithilfe einer lokalen Basisstation werden Maschinen und IoT Geräte heute terrestrisch
vernetzt. Die Basisstation kann dabei über einen Internetzugang verfügen, sei es per Erdkabel oder auch über ein
Satellitenterminal, oder sie kann autark agieren in Form eines sog. „ad-hoc“ Netzes. Durch die kurzen Signalwege
können sehr strikte Latenzanforderungen zwischen den Maschinen eingehalten werden, wenn der genutzte Standard
dies unterstützt. Handelt es sich um eine 5G Basisstation, sind sogar innerhalb des Netzes höchste
Latenzanforderungen erfüllbar, da wichtige Operationen und Entscheidungen direkt in Computern an der Basisstation
erfolgen (sog. „Edge-Computing“). Auch eine Lösung als „Campusnetz“ ist denkbar, bei der kleine private 5G Netze
oder auch andere Funknetze wie industrielle WLAN Netze ohne einen großen Mobilfunkanbieter lokal begrenzt zum
Einsatz kommen. Campusnetze können dann wiederum auch per Satellit ans Internet angebunden werden, um
latenzunkritische Massendaten wie bspw. Kartendaten oder Datenbankinformationen zu erhalten oder gesammelte
Daten im Internet zur Verfügung zu stellen. Bleiben die Funktionen auf massive IoT Anwendungen beschränkt, könnte
eine solche Architektur prinzipiell auch ein LoRa Netzwerk abbilden. Entfällt dabei sogar die Latenzkritikalität, bspw.
für solche Sensoren im Feld, die nur sehr selten einzelne Datenwerte senden, könnte auf eine
Basisstationskomponente vollständig verzichtet werden, weil die wide area IoT Sender mithilfe einer der vorgenannten
Technologien direkt zum Satelliten senden (direct access). Die Daten können dabei theoretisch direkt zum eigenen Hof
19Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
gesendet werden, in den meisten Fällen wird diese Lösung aber nicht wirtschaftlich sein, weil die Satellitenressource
hohe Kosten in der Anmietung verursacht und daher – gerade bei geringen Datenraten – als „shared medium“ mit
anderen Nutzer geteilt werden muss. In diesem Fall wird üblicherweise eine größere Bodenstation die Daten sammeln
und als Gateway zum Internet fungieren. Solche Gateways existieren bereits als sog. „Teleports“ für eine Vielzahl von
Satellitendiensten, bspw. zur Anbindung entlegener Orte an das breitbandige Internet. In ähnlicher Weise könnten
Teleports auch Dienstleistungen für satellitenbasiertes IoT erbringen und gleichzeitig als Schnittstelle für
Unternehmen und Startups dienen, die mit IoT Daten digitale Mehrwertdienste und Datenauswertung für die Nutzer
anbieten wollen. Gerade wenn IoT Sensordaten verschiedener privater und öffentlicher Nutzer miteinander sowie mit
Bild- und Erdbeobachtungsdaten verschnitten werden, ergeben sich neue Möglichkeiten des Erkenntnisgewinns. Alle
Nutzer profitieren so auch von den Sensoren der jeweils anderen Nutzer und neue Impulse für den ökologischen
Landbau und den Umweltschutz werden möglich. Dieses Konzept einer offenen globalen „Community“ wird
beispielsweise bereits erfolgreich bei privaten Wetterstationen eingesetzt und führt zu präziseren Wettervorhersagen.
Ein weiteres Beispiel ist das flächendeckende Monitoring der Luftqualität.
Fazit
Moderne Kommunikationssatelliten können leistungsfähige terrestrische Funk- und Glasfasernetze nicht ersetzen,
aber sehr gut ergänzen. Mit Satelliten können Ausbaulücken dort geschlossen und unterversorgte Gebiete dort
angebunden werden, wo der terrestrische Ausbau unwirtschaftlich ist. Es stehen diverse Lösungen für das
landwirtschaftliche Internet der Dinge zur Verfügung, um latenzunkritische Sensoren und Aktoren infrastrukturlos per
Satellit zu vernetzen. Neue Servicemodelle erweitern zudem das Angebot.
Literatur
Ericsson. (01. June 2020). Ericsson Mobility Report. Von https://www.ericsson.com:
https://www.ericsson.com/49da93/assets/local/mobility-report/documents/2020/june2020-ericsson-
mobility-report.pdf abgerufen
ESOA - EMEA Satellite Operators Association. (September 2020). Internet of Things (IoT) and the Role of Satellites.
Von www.esoa.net. Abgerufen
Hofmann, C., & Knopp, A. (24. June 2020). Tests zur IoT Konnektivität per Satellit: LoRaWAN und Alternativen. 8.
Arbeitsgruppentreffen "Raumfahrtdienstleistungen und -technologien". Freising: DLR innospace2agriculture
und Technische Universität München, World Agricultural Systems Center, Hans Eisenmann-Forum für
Agrarwissenschaften.
Körner, M. (2019). Digital Farming: Potenzial der Fernerkundung und Erdbeobachtung für die Landwirtschaft. 10.
Agrarwissenschaftliches Symposium (S. 29-33). Freising: World Agricultural Systems Center, Hans Eisenmann-
Forum für Agrarwissenschaften der Technischen Universität München.
Kramer, G., Liva, G., Donev, D., & Coskun, M. C. (April 2020). EFFICIENT CODING AND MODULATION FOR SATELLITE.
New Horizons in Space Technology, S. 91-104. doi:ISSN 2700-0176
LoRa Alliance. (September 2020). https://lora-alliance.org/.
NSR - Northern Sky Research. (June 2019). https://www.nsr.com/research/satellite-constellations-a-critical-
assessment-2nd-edition/.
20Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Ribana Roscher
Rheini. Friedrich-Wilhelms-Universität Bonn
JProf. Remote Sensing
Nussallee 15, Bonn
Ribana.roscher@uni-bonn.de
Mit maschinellem Lernen zu neuen Möglichkeiten in der Landwirtschaft
Einleitung
Maschinelles Lernen, vor allem deep learning und neuronale Netze haben in verschiedenen Bereichen der
Photogrammetrie und Fernerkundung zu erheblichen Fortschritten geführt. In Kombination mit verbesserten
Sensoren mit wachsender räumlicher, spektraler und temporaler Auflösung bieten diese Methoden ein hohes
Potential um Aufgaben anzugehen, deren Lösung bisher eine große Herausforderung war. Bereits jetzt konnte gezeigt
werden, dass deep neural networks für viele Anwendungen eine höhere Genauigkeit im Vergleich zu klassischen
maschinellen Lernverfahren erreichen können, aber auch zu wissenschaftlichen Erkenntnissen führen können, die dem
Anwender in der Entscheidungsfindung unterstützen. Darüber hinaus bieten automatische Verfahren den Vorteil, dass
sie objektivere und umfassendere Schätzungen liefern können als manuelle Messungen.
Im vorliegenden Beitrag werden diverse Anwendungen aus der Landwirtschaft vorgestellt, die verschiedene Aufgaben
des maschinellen Lernens darstellen, die für den Nutzer relevant sind. Zum einen werden Arbeiten vorgestellt, die
relevante Objekte in Bildern mit einer hohen Effizient schätzen, aber auch Vorhersagen zur Krankheitsausbreitung und
Wachstum treffen können.
1. Anwendungsbeispiele
1.1. Detektion von Weinbeeren
Im Gegensatz zu anderen Nutzpflanzen, fokussiert sich der Weinbau nicht auf die Ertragssteigerung sondern auf das
Erreichen eines bestimmten Ertrags. Da die Qualität des Weines mit zunehmendem Ertrag fällt, ist eine Vorhersage
des zu erwartenden Ertrags notwendig um rechtzeitig mit einer Ausdünnung zu reagieren. Maschinelle Lernverfahren
können hier eine Ernteschätzung erreichen indem zum Beispiel Weinbeeren gezählt und deren Größe abgeleitet
werden. Zabawa et al. (2020) stellt ein Verfahren zur semantischen Instanzsegmentierung vor, welches mit
convolutional neural networks Beeren zählt und effizienter ist als gängige Verfahren aus dem Computer Vision Bereich.
Ein Beispiel der detektierten Beeren im Bild ist in Abb. 1 dargestellt. Die Idee bei diesem Ansatz ist, die aufwendige
Instanzsegmentierung, die meist durch einen zweistufigen Ansatz mit semantischer Segmentierung und
Objektdetektion umgesetzt wird, in eine einstufige semantische Segmentierung umzuformulieren.
21Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
Abb. 1: Detektierte Beeren und deren Kontur zur Unterscheidung von aneinandergrenzenden Beeren dargestellt in grün.
1.2. Abschätzung der verdeckten Beeren
Da ein wesentlicher Teil der Beeren in der Regel von Blättern verdeckt ist, würde eine Ernteabschätzung basierend auf
den im Bild sichtbaren Beeren eine ungenaue Schätzung liefern. Um dies entgegenzuwirken, können maschinelle
Lernverfahren eingesetzt werden um eine wahrscheinliche Schätzung der verdeckten Beeren zu liefern. Solche
Schätzungen können zum Beispiel mit sogenannten generative adversarial networks (Goodfellow et al., 2014)
umgesetzt werden. Diese Verfahren sind in der Lage realistische Bilder in der Art zu erzeugen, dass sie kaum von realen
Bildern unterschieden werden können. Sie lernen aus existierenden Bildpaaren (Bilder mit verdeckten Beeren und
Bilder ohne verdeckte Beeren) ein Modell, welches in der Lage ist ein wahrscheinliches Szenario zu erzeugen wie ein
gegebenes Bild ohne verdeckende Blätter aussieht. Der Vorteil dieses Verfahren ist, dass keine weitere Information
darüber gegeben werden muss, wo Verdeckungen auftreten. Abb. 2 zeigt ein Beispiel, wie aus einem gegebenen Bild
mit verdeckten Beeren ein zugehöriges Bild ohne Verdeckungen erzeugt wird. In Verbindung mit dem
Detektionsverfahren in 2.1. kann daraus eine Schätzung für die Anzahl und Größe der Beeren durchgeführt werden.
Abb. 2: Links: Bilder mit verdeckten Beeren und zugehörige Maske mit detektierten Beeren; Mitte: Szenario mit manuell entfernten Beeren;
Rechts: Schätzung der verdeckten Beeren und der dazugehörigen Maske.
22Agrarwissenschaftliches Symposium des Hans Eisenmann-Forums 2020
Vernetzung und Interaktion
1.3. Abschätzung der Ausbreitung von Krankheiten auf Gersteblättern
Eine frühzeitige Erkennung von Krankheiten, im besten Falle bevor wir es mit dem menschlichen Auge wahrnehmen
können, ist eine wichtige Grundlage um ein umfassendes Pflanzenmonitoring zu ermöglichen. Spezielle Sensoren wie
multispektrale und hyperspektrale Sensoren liefern neben den üblichen spektralen Informationen Rot, Grün und Blau
auch spektrale Reflektanzen im nahen Infrarot und Kurzwelleninfrarot. Aktuelle Verfahren des maschinellen Lernens
bieten auch für die Zeitreihenanalyse viele Möglichkeiten um objektiv und automatisch relevante Größen wie die
Ausbreitung von Krankheiten vorherzusagen. Abb. 3 zeigt einen Ausschnitt eines Gerstenblatts, welches mit Falschem
Mehltau infiziert wurde. Die Vorhersage der Ausbreitung der Krankheit wurde mit einem cycle-consistent adversarial
network umgesetzt (Förster et al., 2019). Erste Ergebnisse zeigen, dass diese Verfahren in der Lage sind räumlich,
zeitlich und spektral sinnvolle Ergebnisse liefern und somit Potential liefern ins Feld übertragen zu werden.
Abb. 3: Vorhersage der Ausbreitung von Falschen Mehltau auf hyperspektralen Bildern von Gerstenblättern (Darstellung in RGB). Basierend
auf einem hyperspektralen Bildausschnitt (Tag 4 nach dem Inokulieren) wird über die Zeit eine Vorhersage getätigt. Obere Reihe:
Schätzung; Untere Reihe: Referenz.
Zusammenfassung
Die Verbindung von hochwertigen Sensordaten und effizienten und leistungsfähigen Verfahren des maschinellen
Lernens bieten für die Landwirtschaft viele Möglichkeiten. Diese reichen von der Detektion von Objekten für die
Ernteabschätzung bis zur Schätzung und Vorhersage der Ausbreitung von Krankheiten. Obwohl für viele Verfahren und
Anwendungen der Schritt vom Labor ins Feld noch unternommen werden muss, ist der aktuelle Fortschritt in der
Forschung vielversprechend und bietet sehr viel Potential für die Praxis.
Literatur
Förster, A., Behley, J., Behmann, J., & Roscher, R. (2019). Hyperspectral plant disease forecasting using generative
adversarial networks. In IEEE International Geoscience and Remote Sensing Symposium (pp. 1793-1796).
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. & Bengio, Y. (2014).
Generative adversarial nets. In Advances in neural information processing systems (pp. 2672-2680).
Zabawa, L., Kicherer, A., Klingbeil, L., Töpfer, R., Kuhlmann, H., & Roscher, R. (2020). Counting of grapevine berries in
images via semantic segmentation using convolutional neural networks. ISPRS Journal of Photogrammetry and
Remote Sensing, 164, 73-83.
23Sie können auch lesen
