Landwirtschaft 4.0: FHWN-Studierende basteln am Bauernhof der Zukunft



Wiener Neustadt, 24. Jänner 2022 – Die Herausforderungen für die Landwirtschaft haben sich gewandelt. Expertinnen und Experten sind sich einig: Um in Zukunft Quantität und Qualität der Produktionserträge zu steigern, bedarf es Innovationen, die einerseits die Auswirkungen auf das Klima, und andererseits die Produktionskosten senken können. Dabei spielt die sogenannte Präzisionslandwirtschaft eine entscheidende Rolle, wenn es darum geht, Landwirtinnen und Landwirte dabei zu unterstützen, ihre Betriebe produktiv und nachhaltig zu führen. 

Das Projekt „Transfarm 4.0“ zielt darauf ab, die direkte Beteiligung von Landwirtinnen und Landwirten an der Präzisionslandwirtschaft zu erhöhen und die Wettbewerbsfähigkeit der europäischen Lieferketten für eine fortschrittliche Präzisionslandwirtschaft zu steigern. Im Rahmen des EU-Projekts präsentierten daher Studierende aus dem fünften Semester des FHWN-Bachelorstudiengangs „Agrartechnologie & Digital Farming“ ihre Ergebnisse aus der Lehrveranstaltung „Projektwochen“.

„Für unsere Studierenden war es eine wertvolle Erfahrung, im Rahmen eines großen EU-Projekts ihre Projektarbeiten auf internationaler Bühne und in englischer Sprache präsentieren zu dürfen. Die Ergebnisse sind außerdem äußerst zufriedenstellend und etwas, auf das die Studierenden zu Recht stolz sein können“, zieht Studiengangsleiter Jürgen Karner ein sehr positives Fazit.

Satellitengesteuerte Landwirtschaft und der „Erdbeer-Algorithmus“

Im Rahmen eines internationalen Online-Workshops präsentierten drei Studierenden-Teams ihre beeindruckenden Ergebnisse. Matthias Wahl und Helmut Steinkellner versuchten, Ackerkulturen mittels der von Satelliten gelieferten Spektralinformationen zu erkennen und zu unterscheiden. In dieser Arbeit wurde eine Support Vektor Machine (SVM) anhand der Verläufe von Vegetationsindizes (NDVI) ausgewählter Kulturen trainiert. Die Bilder zur Berechnung des Vegetationsindizes stammen vom Sentinel-2 Satelliten. Als Kulturen wurden mit Wintergetreide, Mais, Grünland, Soja, Raps und Zuckerrübe die wichtigsten Kulturen in Österreich ausgewählt. Das initialisierte Modell konnte eine Vorhersagesicherheit von beachtlichen 86% erreichen. „Für uns Studierende war es eine neue Erfahrung. Die Mitarbeit zur Lösung praxisrelevanter Probleme zeigte uns, dass wir durch die praxisnahe Ausbildung gut für Arbeitswelt gerüstet sind. Dass wir Lösungen im Rahmen des EU-Projekts TransFarm 4.0 vorstellen und mit angesehenen Forscherinnen und Forschern diskutieren durften, war ein wertvoller Einblick“, berichtet Steinkellner.

Alexander Waschl und Maximilian Kölbl nahmen sich indes Erdbeerblüten vor. Mit einem eigens entwickelten Algorithmus und dem damit verbundenen YOLO-Modell (you only look once) können diese erkannt und anhand ihres Blütenstands unterschieden werden. Die Arbeit zeigt, dass die Unterscheidung der Erdbeerblüten in blühende, verblühte und abgefrorene möglich ist. Bei den verblühten Erdbeerblüten herrschte allerdings eine große Verwechslungsgefahr mit dem Hintergrund, was aufgrund der optischen Ähnlichkeit mit den Blättern logisch erscheint. Die Ergebnisse sind äußerst vielversprechend, in weiterführenden Arbeiten sollen nun Modelle zu Ertragsabschätzungen und zur frühzeitigen Erkennung von Ernteverlusten erstellt werden.

Das Team von Sarah Sulzer, Andreas Wilhelm und Markus Wallner versuchte anhand der CAN-Bus-Daten eines Traktors die GNSS-Daten zu extrahieren und zwischen Straßen- und Feldfahrt zu unterscheiden. So sollen in Zukunft die Einsatzstunden überbetrieblich genutzter Maschinen exakt und fair abgerechnet werden. Der vorgestellte KI-Algorithmus kann sogar zwischen Feldarbeit, Wendemanövern und Stillstand unterscheiden.