Software kann zukünftiges Wachstum auf Basis eines einzigen Ausgangsbilds simulieren

Forscher der Universität Bonn haben eine Software entwickelt, die das Wachstum von Feldfrüchten simulieren kann. Dafür haben sie einen Lernalgorithmus mit Tausenden von Fotos aus Feldversuchen gefüttert. So konnte der Algorithmus lernen, die zukünftige Entwicklung der Kulturpflanzen anhand eines einzigen Ausgangsbildes zu visualisieren. Anhand der dabei entstehenden Bilder lassen sich Parameter wie Blattfläche oder Ertrag präzise abschätzen.

Welche Pflanzen muss ich in welchem ​​Verhältnis mischen, um den größtmöglichen Ertrag zu erzielen? Und wie entwickeln sich meine Pflanzen, wenn ich Stallmist statt Kunstdünger verwende? Bei der Beantwortung solcher Fragen sollen Landwirte künftig immer häufiger auf Computerunterstützung zählen können.

Auf dem Weg zu diesem Ziel sind die Forscher nun einen entscheidenden Schritt weitergekommen. „Wir haben eine Software entwickelt, die anhand von Drohnenfotos die zukünftige Entwicklung der abgebildeten Pflanzen visualisiert“, erklärt Lukas Drees vom Institut für Geodäsie und Geoinformation der Universität Bonn. Der Nachwuchswissenschaftler ist Mitarbeiter im Exzellenzcluster PhenoRob.

Das an der Universität Bonn angesiedelte Großprojekt soll die intelligente Digitalisierung der Landwirtschaft vorantreiben und dazu beitragen, dass die Landwirtschaft umweltfreundlicher wird, ohne dass die Ernteerträge darunter leiden. Die Ergebnisse sind veröffentlicht im Journal Pflanzenmethoden.

Ein virtueller Blick in die Zukunft als Entscheidungshilfe

Das Computerprogramm, das Drees und seine Kollegen nun vorstellten, ist ein wichtiger Baustein. Es soll es einmal ermöglichen, bestimmte Entscheidungen virtuell zu simulieren – etwa um abzuschätzen, wie sich der Einsatz von Pestiziden oder Düngemitteln auf den Ernteertrag auswirkt.

Damit das funktioniert, muss das Programm mit Drohnenfotos aus Feldversuchen gefüttert werden. „Wir haben während einer Wachstumsperiode Tausende von Bildern gemacht“, erklärt der Doktorand. „Auf diese Weise haben wir zum Beispiel die Entwicklung von Blumenkohlkulturen unter bestimmten Bedingungen dokumentiert.“

Mit diesen Bildern trainierten die Forscher dann einen Lernalgorithmus. Dieser war anschließend in der Lage, auf Basis einer einzigen Luftaufnahme eines frühen Wachstumsstadiums Bilder zu generieren, die in einem neuen, künstlich erzeugten Bild die zukünftige Entwicklung der Nutzpflanze zeigten.

Das Ganze ist sehr genau, solange die Bedingungen auf den Pflanzen denen ähneln, die zum Zeitpunkt der Aufnahme der Trainingsfotos herrschten. Die Auswirkungen eines plötzlichen Kälteeinbruchs oder eines mehrtägigen Dauerregens berücksichtigt die Software daher nicht. Allerdings soll sie künftig lernen, wie sich solche Einflüsse – aber auch ein erhöhter Einsatz von Düngemitteln – auf das Wachstum auswirken. So soll sie in der Lage sein, die Folgen bestimmter Eingriffe des Landwirts vorherzusagen.

„Zusätzlich haben wir eine zweite KI-Software eingesetzt, die aus Pflanzenfotos verschiedene Parameter schätzen kann, etwa den Ernteertrag“, sagt Drees. „Das funktioniert auch mit den generierten Bildern. So lässt sich schon in einem sehr frühen Stadium der Wachstumsperiode die spätere Größe der Blumenkohlköpfe recht genau abschätzen.“

Fokus auf Polykulturen

Ein Schwerpunkt der Forscher ist der Einsatz von Polykulturen. Damit ist die Aussaat unterschiedlicher Arten auf einem Feld gemeint – etwa Bohnen und Weizen. Da die Pflanzen unterschiedliche Ansprüche haben, konkurrieren sie in einer solchen Polykultur weniger miteinander als in einer Monokultur, in der nur eine Art angebaut wird. Das steigert den Ertrag. Zudem können manche Arten – Bohnen sind ein gutes Beispiel dafür – Stickstoff aus der Luft binden und als natürlichen Dünger nutzen. Davon profitiert auch die andere Art, in diesem Fall der Weizen.

„Polykulturen sind zudem weniger anfällig gegenüber Schädlingen und anderen Umwelteinflüssen“, erklärt Drees. „Wie gut das Ganze funktioniert, hängt allerdings sehr stark von den kombinierten Arten und deren Mischungsverhältnis ab.“

Fließen die Ergebnisse aus vielen unterschiedlichen Mischungsversuchen in lernende Algorithmen ein, lassen sich daraus Empfehlungen ableiten, welche Pflanzen sich in welchem ​​Verhältnis besonders gut vertragen.

Pflanzenwachstumssimulationen auf Basis von Lernalgorithmen sind eine relativ neue Entwicklung. Bisher wurden hierfür meist prozessbasierte Modelle eingesetzt. Diese verfügen – bildlich gesprochen – über ein grundlegendes Verständnis davon, welche Nährstoffe und Umweltbedingungen bestimmte Pflanzen während ihres Wachstums benötigen, um zu gedeihen.

„Unsere Software trifft ihre Aussagen allerdings ausschließlich auf Basis der Erfahrungen, die sie anhand der Trainingsbilder gesammelt hat“, betont Drees.

Beide Ansätze ergänzen sich. Würde man sie in geeigneter Weise kombinieren, könnte das die Qualität der Prognosen deutlich verbessern. „Auch das ist ein Punkt, dem wir in unserer Studie nachgehen“, sagt der Doktorand. „Wie können wir prozess- und bildbasierte Methoden so einsetzen, dass sie bestmöglich voneinander profitieren?“