Chancen durch neue Sensoren

Moderne Sensor- und Bildgebungstechnologien bieten vielversprechende Möglichkeiten zur Messung biologischer Pflanzenmerkmale einschließlich abiotischer und biotischer Stressfaktoren. Die Erwartungen sind hoch, dass der Einsatz dieser neuartigen Technologien in den Pflanzenwissenschaften durch neuartige Züchtungsmöglichkeiten zur Ernährungssicherheit beitragen wird. Darüber hinaus wird eine genauere Überwachung zu einer besseren Bewertung von Ökosystemdienstleistungen beitragen. Die riesigen Mengen an multimodalen Daten, die von modernen Sensoren stammen, erfordern jedoch leistungsfähige Algorithmen, die in der Lage sind, Muster zu identifizieren, welche Pflanzenmerkmale beschreiben, die auf biotischen und abiotischen Pflanzenstress hinweisen. Gegenwärtig wird die Entwicklung solcher Algorithmen durch einen Mangel an geeigneten pflanzenphysiologischen Referenzdatensätzen behindert. Dieses Projekt soll diese Lücke schließen.

Ein interdisziplinärer Forschungsansatz

Im Rahmen des Projekts hat sich ein multidisziplinäres Forscherteam zusammengeschlossen, um die Forschung im Bereich der automatischen Identifizierung von Pflanzenmerkmalen und der Früherkennung von Pflanzenstress voranzutreiben. Wir kombinieren Expertise aus der Biologie mit jener aus der Informatik (d.h. maschinelles Lernen, Computer Vision und Statistik) für die Entwicklung neuartiger Analysemethoden für die Pflanzenüberwachung. Durch die Verbesserung des Pflanzen-Monitorings und der Stressfrüherkennung wollen wir zu einer ressourceneffizienteren Landwirtschaft der Zukunft beitragen, etwa durch nachhaltigere Bewässerungsstrategien.

Präzises Pflanzenüberwachungssystem

Im Rahmen des Projekts werden wir ein präzises geschlossenes Überwachungssystem für Pflanzen entwickeln, das es uns ermöglicht, systematische, präzise und wiederholbare Experimente und -simulationen durchzuführen. Massive Datenmengen werden durch die kontinuierliche Erfassung von hyperspektralen Bilddaten sowie zahlreicher Parameter der Pflanze (z.B. Blattwasserpotenzial und Photosynthesemerkmale) und ihrer Umgebung (z.B. Temperatur, Feuchtigkeit und Blattdicke) erzeugt. Aus diesen Daten soll ein erster umfassender multimodaler Referenzdatensatz für die in-vivo Pflanzendiagnostik erstellt werden, um die Forschung im Bereich der automatisierten Identifizierung von Pflanzenmerkmalen zu fördern. Dieser Datensatz wird hyperspektrale Zeitreihen sowie kontinuierliche Messungen von Pflanzen- und Umweltparametern enthalten.
 

Maschinelles Lernen zur Erkennung von Pflanzenmerkmalen und zur prädiktiven Modellierung

Zur Analyse der erfassten Daten und der Beziehungen innerhalb dieser Daten werden wir neue Data-Mining- sowie maschinelle Lernverfahren zur Identifizierung hyperspektraler Pflanzenmuster entwickeln, die auf Veränderungen von Umweltparametern zurückzuführen sind. So sollen verborgene Beziehungen zwischen hyperspektralen Signaturen und Umwelteinflüssen entdeckt werden, um zuverlässige Parameter für die frühe Vorhersage von Pflanzenstress zu identifizieren, der durch Umweltbedingungen wie z.B. Wassermangel entsteht. 
Die Anwendung der neuartigen Ansätze wird für die Vorhersage der Stress-Reaktion von Weinreben mit Hilfe multimodaler Modelle demonstriert, die auf spektralen Merkmalen in Kombination mit Umgebungsparametern basieren. Es wird erwartet, dass die neuartigen Analysetechniken die Diagnose von Stress auf die Pflanze, im Vergleich zu derzeit verwendeten Techniken, wie Vegetationsindizes und schwellwertbasierte Methoden der Bodenfeuchte, verbessern können.

Nutzen des Projekts

Das Projekt wird eine neuartige Lösung für die Generierung hochwertiger physiologischer Referenzdatensätze für die Hyperspektralanalyse schaffen. Die gewonnenen Datensätze, die Methoden zur Erkennung von Pflanzenmerkmalen sowie die entwickelten Vorhersagemodelle werden in einer öffentlich zugänglichen Bibliothek zusammengestellt, um Vergleichbarkeit und Reproduzierbarkeit zu fördern und um die verschiedenen Akteure im Bereich der digitalisierten Landwirtschaft bei der optimalen Nutzung von Hyperspektralsensordaten zu unterstützen.