P330 - 43. GIL-Jahrestagung 2023 - Fokus: Resiliente Agri-Food-Systeme
Auflistung nach:
Auflistung P330 - 43. GIL-Jahrestagung 2023 - Fokus: Resiliente Agri-Food-Systeme nach Erscheinungsdatum
1 - 10 von 67
Treffer pro Seite
Sortieroptionen
- KonferenzbeitragSatellitengestützte Analyse der räumlichen Variabilität für die Ableitung von Ertragszonen und deren Ursachen(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Hagn, Ludwig; Schuster, Johannes; Mittermayer, Martin; Hülsbergen, Kurt-JürgenDie Kenntnis der räumlichen Variabilität und deren Ursachen bietet zahlreiche Ansatzpunkte für Managementmaßnahmen. Dennoch ist das Interesse an räumlich variablen Erträgen (z. B. Biomassekarten) und teilschlagspezifischer Düngung in der landwirtschaftlichen Praxis noch sehr begrenzt. Satellitendaten sind eine kostengünstige und praktische Möglichkeit, Flächenheterogenität zu erfassen. In der vorliegenden Untersuchung wurde die räumliche Variabilität auf einem Praxisschlag in Südostbayern anhand von mehrjährigen Satellitendaten erfasst und validiert. Indirekt erfasste Biomassekarten auf Basis des NDVI wurden in Beziehung zu räumlich variablen Bodendaten (Corg, Nt, pH-Wert) und multispektralen Sensormessungen gesetzt. Die Ergebnisse zeigten enge Zusammenhänge zwischen den Satellitendaten und den Sensormessungen (EC 32, r = 0,64; EC 43, r = 0,70). Die Satellitendaten wiesen enge Beziehungen mit den Bodenparametern auf (Corg, r = 0,60; Nt, r = 0,60). Auf Basis von hochauflösenden Biomassekarten können Teilflächen mit geringen Ertragspotenzialen identifiziert und Maßnahmen eingeleitet werden.
- KonferenzbeitragData sovereignty needs in agricultural use cases(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Boye, Frederik; Matar, Raghad; Neuschwander, PhilippWith today's shift towards digital farming, data transfer and processing are becoming increasingly essential for optimizing farm operations. In the complex arable farming sector, there exist numerous use cases involving a variety of actors and processes. Designing new digital ecosystems, such as agricultural data spaces that support existing workflows while enabling new opportunities for data-driven services, requires a good understanding of existing processes and data sovereignty needs. In this paper, we categorize data exchange use cases in arable farming and analyze the respective data sovereignty needs for each category. The results of our contribution can be used as a basis for further analysis and evaluation of data-sharing approaches in terms of their suitability for meeting different data sovereignty needs in agriculture, as well as in the process of requirements analysis when designing such systems.
- KonferenzbeitragDifferent methods of yield recordings in grassland – how accurate are they in practice?(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Krug, Priska; Förschner, Adriana; Wiggenhauser, Tobias; Nußbaum, Hansjörg; Weber, JonasThe aim of the study is to determine the yields in grassland using various methods. Yield recording in grassland has not been common practice so far. Yields can be recorded using various methods as height measurement, for example by using a rising-plate-meter (Grasshopper), measuring the weight of sample cut or by capturing the weight of harvested biomass. A yield estimation with the Grasshopper is carried out on three plots and is validated via sample cuts. The harvest chain is recorded digitally and the harvest quantity (weight) is measured with the load cells in the loader wagon, a validation is carried out via a wagon scales. The results presents underestimated yields when using the Grasshopper. The recording of harvest weights via the loader wagon's load cells was confirmed by the wagon scales. This method can be easily used in practice, if available. However, a determination of the dry matter content remains key. The correct determination of dry matter is crucial for accurate yield recording, but this is where very great challenges lie, especially for practice. Further investigations have to be carried out.
- KonferenzbeitragErste Praxiserfahrung mit einem Feldroboter – Ergebnisse einer Fokusgruppendiskussion mit early adopters(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Spykman, Olivia; Kopfinger, Stefan; Gabriel, Andreas; Gandorfer, MarkusAufgrund der erst kurzen Marktverfügbarkeit von Feldrobotern gibt es nur wenige wissenschaftliche Erkenntnisse zur Anwendererfahrung. Eine Fokusgruppendiskussion mit sieben Teilnehmenden von bayerischen Betrieben, die den Sä- und Hackroboter Farmdroid FD20 seit zwei Anbausaisons im Einsatz haben, gibt wichtige Hinweise auf Art und Umfang des Betreuungsaufwandes und die notwendigen Veränderungen in der betrieblichen Arbeits-organisation, die sich durch den Einsatz von Feldrobotik ergeben. Die Erkenntnisse aus der Diskussion der Anwender zeigen, dass sich die „early adopters“ bei Feldrobotern auf einen zusätzlichen Zeitaufwand zur Überwachung, zur Logistik und zur technischen Optimierung einstellen müssen. Dennoch sind Einsparungen bei repetitiven Arbeitsabläufen auf dem Feld erkennbar – ein Vorteil, der zukünftig noch an Bedeutung gewinnen wird.
- KonferenzbeitragBlue Apple – an algorithm to realize agricultural classification under difficult light and color situations(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Credner, Jonas; Rehrmann, Peter; Raaz, Waldemar; Rath, ThomasComputer-image processing becomes more and more important in the analysis of data in biological and agricultural research and practice. However, robust image processing is highly dependent on the histogram analysis algorithms used and the quality of the data being processed. The algorithm presented here aims to improve the accuracy of the classification of image data generated under complex boundary situations and inconsistent lighting conditions. Using the example of the determination of nitrogen content of tomato leaves and the qualitative determination of starch content of apples on the basis of color image processing, we showed that the developed algorithm is able to perform a robust classification and represents an improvement to simple histogram analysis.
- KonferenzbeitragIdentifizierung kleinräumiger Erosionshotspots unter Berücksichtigung aquatischer Ökosysteme zur Etablierung von Erosionsschutzstreifen(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Melzer, Marvin; Thakur, Nishita; Ebertseder, Florian; Bellingrath-Kimura, SonokoBodenerosion in der Landwirtschaft reduziert das Ertragspotential und schädigt gleichzeitig umliegende Ökosysteme, insbesondere Gewässer, durch Sediment-, Nährstoff-, und Pestizideinträge. Erosion muss daher dringend reduziert werden. Wirksame Maßnahmen sind z. B. Erosionsschutzstreifen, die im Zuge von Agrarumwelt- und Klimamaßnahmen gefördert und von Landwirten umgesetzt werden können. Für die Politik ist der Wirkungsgrad der Maßnahmen zur Festlegung leistungsorientierter Fördergeldzahlungen entscheidend. Für die Umsetzung dagegen ist eine präzise und praxistaugliche Verortung der Maßnahmen nötig. Im Projekt EROSPOT wurden daher Risikostandorte für Erosion (Hotspots) auf Teilflächenebene durch die automatisierte Verarbeitung von hochaufgelösten Geodaten identifiziert und hinsichtlich ihrer Schutzwirkung quantifiziert. Die erstellten Karten sind für die praktische Umsetzung von Erosionsschutzstreifen geeignet und lassen sich z. B. über digitale Schlagkarteien in den Präzisionspflanzenbau integrieren oder von Beratungsstellen zur gezielten Umsetzung von Agrarumweltmaßnahmen verwenden.
- Konferenzbeitrag“Ready for Autonomy (R4A)”: concept and application for autonomous feeding(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Pamornnak, Burawich; Scholz, Christian; Gode, Eduard; Sommer, Karen; Novak, Timo; Hellermann, Steffen; Wegmann, Benjamin; Ruckelshausen, ArnoThis paper presents the development of the “Ready for Autonomy (R4A)” application for evaluating the feasibility of integrating an autonomous feeding machine Strautmann Verti-Q into farmyards and evaluating the machine’s performance. The proposed application consists of three main R4A checklists for telling whether the farmyard, the machine, and the farmer are ready for autonomy or not. The farmyard is the first part to be checked with the R4A application with the Verti-Q system requirements. The R4A result will be instantly generated from the application based on the Boolean function. The second part is the machine operation record which tells the overall performance of the Verti-Q machine as the R4A distribution results, e.g., excellent, good, and failure. The final part is the farmer operation training in manual and autonomous modes, in which farmers have to go through every topic to be ready to use the machine. From the experimental results, seven farmyards were observed with the R4A application. Therefore, the four farmyards are ready for autonomy with different R4A levels. The minimum working condition of the Verti-Q machine has been tested on the lowest R4A level farmyard. The distribution results from the prototype machine with 218 autonomous feeding jobs, achieving 42% in excellent distribution, 38% in good condition, and 21% in failure caused by various reasons, e.g., hardware, software, and user error, respectively. These results show the possibility of using the improved version of the autonomous feeding machine in the farmyard for sustainable farming in the future.
- KonferenzbeitragEvaluation of a decision support system for the recommendation of pasture harvest date and form(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Reuter, Tobias; Saborío Morales, Juan Carlos; Tieben, Christoph; Nahrstedt, Konstantin; Kraatz, Franz; Meemken, Hendrik; Hünker, Gerrit; Lingemann, Kai; Broll, Gabriele; Jarmer, Thomas; Hertzberg, Joachim; Trautz, DieterThe task of generating automatic recommendations of pasture harvest date and form was previously addressed through a knowledge-based decision support system (DSS). The system follows expert rules and exploits data such as the weather history and forecast, the growth stage of grass and legumes, plant height and crude fibre content. In this paper, we present the results of our evaluation of this DSS on 26 fields in West and Northwest Germany. We compared the suggestions made by the DSS with the decisions of expert farmers and obtained an accuracy of R²=0.746 and RMSE=7.83 days. The best results occurred for intensively managed fields for dairy cows, with an R² of 0.891 and RMSE of 3.20 days. We conclude our DSS and its underlying methodology have the potential to support farmers and secure high-quality fodder.
- KonferenzbeitragKonzeption und Realisierung einer feldbasierten landwirtschaftlichen Versuchsumgebung zur dynamischen Umgebungswahrnehmung(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Krause, Jan Christoph; Martinez, Jaron; Gennet, Henry; Urban, Martin; Herbers, Jens; Menke, Stefan; Röttgermann, Sebastian; Hertzberg, Joachim; Ruckelshausen, ArnoFür die Automatisierung von landwirtschaftlichen Prozessen werden autonome Maschinen entwickelt, die zuverlässig und sicher in ihren Arbeitsgebieten navigieren müssen. Die insbesondere beim Pflanzenbau typischerweise harschen und wechselnden Umgebungsbedingungen erschweren die hierfür notwendige sensorbasierte Erfassung und Interpretation des Umfelds. Für die funktionale Sicherheit ist die robuste Erkennung des Menschen im Umfeld der Maschine in allen definierten, zulässigen Betriebsbereichen essenziell. In diesem Beitrag wird eine Versuchsumgebung vorgestellt, mit der die Einflüsse von unterschiedlichen Umgebungsbedingungen, wie beispielsweise das Wetter und die Vegetation, auf die Zuverlässigkeit von Sensorsystemen zur semantischen Umfeldwahrnehmung untersucht werden. Mit einem schienenbasierten Trägersystem werden Sensoren verschiedener Messprinzipien reproduzierbar durch eine landwirtschaftliche Umgebung bewegt. Hierbei werden die Rohdaten der Sensoren als Evaluationsdaten aufgezeichnet. Durch eine wiederkehrende und wiederholbare Aufnahme bei unterschiedlichen Umgebungsbedingungen wird die Erzeugung von Evaluationsdatensätzen, die sich zum Vergleich der Erkennungsgüte eignen, ermöglicht.
- KonferenzbeitragComputer-Vision-basierte Aktivitätserkennung bei Schweinen(43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Hesse, Lukas; Fruhner, Maik; Tapken, Heiko; Müller, HenningDie Sicherstellung des Tierwohls ist einer der Kernaspekte in der modernen Nutztierhaltung. Da sich durch den steigenden Bedarf an Lebensmitteln und dem steigenden Kostendruck immer mehr Landwirte dazu gezwungen sehen, immer größere Tierzahlen zu halten, fällt es vor dem Hintergrund des Fachkräftemangels schwieriger, diesem Aspekt nachzukommen. Aus diesem Grund müssen Technologien zur Unterstützung von Landwirten entwickelt werden, welche datenbezogene hochwertige Entscheidungshilfen geben können. Einen solchen Ansatz erarbeitet das Team des Forschungsprojektes SmartTail, bei dem unter anderem eine Computer-Vision-basierte Aktivitätserkennung erarbeitet wird. Durch die nicht-invasive und kostengünstige Hardware können so potenziell flächendeckend Systeme zur Unterstützung der Landwirte implementiert werden. Innerhalb dieser Arbeit wird sich mit der videobasierten Aktivitätserkennung bei Schweinen beschäftigt. Besonders betrachtet wird dabei das Problem des Schwanzbeißens. Dieses ist in der Schweinehaltung bekannt, aber aufgrund der multifaktoriellen Ursachen existiert bisher weder ein System zur Vorhersage noch zum Erkennen solcher Attacken. Aus diesem Grund werden innerhalb dieser Arbeit mehrere state-of-the-art Modelle zur bildbasierten Aktivitätserkennung betrachtet und miteinander verglichen, um so ein effektives System zur Aktivitätserkennung bei Schweinen zu entwickeln.