In der Landwirtschaft ist es bekannt, dass die endgültige Ernte von vielen Faktoren abhängen kann. Diese Variabilität ist im Obst- und Gemüseanbau viel deutlicher als bei krautigen Pflanzen. Darüber hinaus ist bei Obst die Form und vor allem die Größe der Früchte sehr wichtig, so dass die Vorhersage der Größe der Früchte im Voraus wichtig ist, um den Ertrag der Ernte zu schätzen.

Aus diesen Gründen wurden in den letzten Jahren eine Reihe von Anwendungen entwickelt, die darauf abzielen, den endgültigen Ertrag eines Feldes nach Gewicht (Tonnen Produkt) und die Verteilung der Größenklassen vorherzusagen. Einige Systeme sind in der Praxis DSS (Entscheidungsunterstützungssysteme), die nicht nur die Vorhersage bieten, sondern auch dem Landwirt helfen zu verstehen, was zu tun ist, um eine bessere Qualität zu erhalten. Einige Systeme gehen zum Beispiel von der Größe der Früchte und dem phänologischen Stadium der Ernte aus und wenden Wachstumskurven an, um das Endergebnis vorherzusagen. Das System kann dann vorschlagen, wie man die Qualität der Produktion und die Größe der Früchte erhöhen kann, indem man mit einigen agronomischen Praktiken, wie z. B. Düngung, Monate vor der Ernte in Aktion tritt.

Solche Systeme sind in der Regel recht genau, da sie auf robusten und validierten Zeitreihen beruhen. Ihre Hauptbeschränkung liegt jedoch in ihrer starken Abhängigkeit von historischen Daten. Beim Auftreten von bestimmten, noch nie dagewesenen Zuständen weiß das System nicht, wie es eingreifen soll und macht folglich Fehler.

Ausgehend von dieser Schwachstelle entstanden komplexere Systeme, die nicht auf von Menschen konstruierten Modellen, sondern auf künstlicher Intelligenz beruhen. Dieses Thema wird in den kommenden Wochen vertieft behandelt. Diese Modelle akzeptieren Eingabedaten jeglicher Art (von im Feld vorhandenen IoT-Sensoren, Wetter- und Klimaparametern, vegetativem Wachstum, Zeitreihen, Trends ähnlicher Gebiete und vielen anderen) mit dem Ziel, Korrelationen zwischen jedem von ihnen und der endgültigen Produktion zu finden. Auf diese Weise wird auch eine Variable berücksichtigt, die nur einen minimalen Einfluss auf die Produktion des Feldes hat. Darüber hinaus ermöglicht eine solch große Datenbank, das Verhalten der Kulturpflanze in der Tiefe zu verstehen und dann mit einem guten Grad an Zuverlässigkeit vorherzusagen, wie sie sich in extremen Situationen verhalten wird.

Diese beiden Systeme ermöglichen große Verbesserungen in der Endproduktion und bieten detaillierte Informationen, wie optimale Ziele erreicht werden können.

Das TerraSharp Team