Smart Farming und prädiktive Modellierung: Landwirtin überwacht Pflanzengesundheit mit Drohne und Tablet

Wie prädiktive Modellierung Ihre Pflanzen vor Krankheiten schützen kann

Von Brook Sauer Ruiz, Gründerin und Geschäftsführerin von Elby’s Organics,
einem neuen Food-Startup aus Hamburg.

Was ist prädiktive Modellierung?

Prädiktive Modellierung bedeutet genau das, was auch im Namen steckt. Es handelt sich um eine Methode, bei der mithilfe von großen Datenmengen Vorhersagemodelle (Englisch: to predict = vorhersagen) erstellt werden, zum Beispiel für die Pflanzengesundheit und die Ernteerträge.

Kurz zusammengefasst: die prädiktive Analytik nutzt Methoden der Geschäftsanalytik, um große Datenmengen aus der Landwirtschaft zu sammeln, zu integrieren und auszuwerten. Daraus werden dann Modelle berechnet, die Bedingungen vorhersagen, unter denen das Auftreten von Schädlingen besonders wahrscheinlich ist. So können die Landwirte beispielsweise ganz genau entscheiden, wo und wann die Pflanzen gespritzt werden müssen.

Warum ist prädiktive Modellierung wichtig?

Im Wesentlichen hilft die Methode der prädiktiven Modellierung dabei, Entscheidungen zu treffen. Man kann sie sich wie eine Kristallkugel vorstellen. Mit ihr können die Landwirte in die Zukunft blicken, mögliche Probleme voraussehen und diese Informationen nutzen, um fundierte Entscheidungen zu treffen. So spart man letztendlich Zeit und Geld.

Ein Schädlingsbefall kann sich verheerend auf den Ernteertrag auswirken. Daher spritzt man herkömmlicherweise zur Vorbeugung eines Befalls pauschal Pestizide auf dem gesamten Feld. Bei diesem Ansatz werden Unmengen an Schädlingsbekämpfungsmitteln zur Kontrolle eines Problems verwendet, das noch gar nicht aufgetreten ist. Der Zeitaufwand für das Spritzen und der Einsatz der dafür nötigen Maschinen sind außerdem mit Kosten verbunden. Diese lassen sich mit der Hilfe von prädiktiver Modellierung reduzieren.

Beispiele für prädiktive Modellierung in Europa

In Spanien gewinnt diese Form der Modellierung auf nationaler Ebene zunehmend an Aufmerksamkeit. Im Jahr 2017 nahm das Andalusische Pflanzenschutz- und Informationsnetzwerk (RAIF) an einem ehrgeizigen Programm zugunsten der Verbände für integrierte Olivenproduktion (APIs) teil.

Dabei werden große Datenmengen, die das RAIF gesammelt hat, analysiert und eine Vorhersage formuliert, welcher Prozentsatz an Oliven wahrscheinlich von Fliegen gegessen wird. Diese wöchentlichen Vorhersagen werden dann an die Mitgliedsbetriebe der APIs (1568 Mitglieder) weitergegeben. Diese übersetzen die Vorhersage nun ihrerseits in eine fundierte Strategie zur Schädlingsbekämpfung.

Die Universität Kiel hat ebenfalls große Fortschritte bei der prädiktiven Modellierung für Weizen gemacht. Derzeit arbeiten die Wissenschaftler an einem Modell für Mais.

Schauen Sie sich an, wie prädiktive Modellierung in Deutschland in Aktion aussieht.

Herausforderungen für die prädiktive Modellierung

Um prädiktive Modelle zu erstellen, braucht man sehr große Datenmengen. Regionen der Welt, denen die Infrastruktur für IoT und Smart-Farming-Lösungen fehlt, können das Potential dieser Technologie noch nicht voll ausschöpfen.

Darüber hinaus ist umfassende Forschungsarbeit nötig, um herausfinden, wie sich der Schädlingsbefall am besten verhindern lässt. Je nachdem, welche Untersuchungen erforderlich sind, kann der Fortschritt langsam und teuer sein.

Partnerschaftsprogramme wie die Fliegeninitiative in Spanien sind ein Beispiel für Maßnahmen auf Regierungsebene, die Landwirten helfen sollen. Zusammen mit der großflächigen Einführung von Smart-Farming-Lösungen senkt diese Form der top-down Unterstützung die Kosten. Außerdem können so mehr verschiedene Modellanalysen zur Schädlingskontrolle erstellt werden.

Prädiktive Modellierung formt die Zukunft der Landwirtschaft

Fortschritte in der prädiktiven Modellierung geben Landwirten letztendlich das Werkzeug an die Hand, das sie brauchen, um fundierte und nachhaltige Entscheidungen über ihre Ressourcen zu treffen.

Die Nutzung von prädiktiven Modellen zur Verbesserung der Pflanzengesundheit und der Ernteerträge sollte auf lokaler und nationaler Ebene begrüßt und angenommen werden. Datenbasierte Entscheidungen in allen Bereichen der Landwirtschaft sind der Schlüssel für positives Wachstum und Nachhaltigkeit in der Branche.

Sie möchten mehr darüber erfahren, wie Sie in Ihrem Betrieb datenbasierte Entscheidungen treffen können? Kontaktieren Sie uns gerne.

Sprechen Sie uns an!