Übersicht
Sections

project - EIP-AGRI Operational Group

SmartCut
SmartCut

Contacts
To download the project in a PDF format, please click on the print button and save the page as PDF
Ongoing | - Germany, Austria
Ongoing | - Germany, Austria
Derzeit wird der Seiteninhalt nach Möglichkeit in der Muttersprache angezeigt

Kontext

NIR sensors on forage harvesters were introduced in the late 2000s. Since then, over 10,000 units have been sold. This shows that the technology has become widely adopted in practice.While an increasing number of field forage harvesters operated by contracting companies are equipped with NIR sensors—for example, to document their services for billing purposes—small and medium-sized farms, in particular, are currently deriving little benefit from this sensor data. In practice, many opportunities to use this data—especially historical data—to make better operational decisions are still largely overlooked. Yield and quality maps—including various harvesting data such as the exact harvest date, yield volume, crop moisture content, nutritional components, etc.—can be used to optimize harvesting practices. In particular, NIRS data allow for the estimation of yield potential and nutritional values at the subfield level. A prominent example of this is yield prediction using EO and AI. Forage harvester yield data is an easily scalable technology that provides high-resolution yield data, which, when combined with satellite data, weather data, soil information, and elevation profiles, has proven highly successful in predicting crop yields. However, there is currently a lack of corresponding models for AI-based determination of yield potential in grassland.

Kontext

Die NIR-Sensorik auf dem Häcksler wurde Ende der 2000er Jahre eingeführt. In der Zwischenzeit wurden über 10.000 Einheiten verkauft. Das zeigt, dass die Technologie in der Praxis angekommen ist. Während zunehmend Feldhäcksler der Lohnunternehmen mit NIR-Sensoren ausgestattet sind, z.B. um Ihre Leistungen im Rahmen der Rechnungsstellung zu belegen, ziehen insbesondere kleine und mittlere Betriebe aktuell noch wenig Nutzen aus diesen Sensordaten. Noch werden in der Praxis viele Möglichkeiten, insbesondere die historischen Daten für bessere Betriebsentscheidungen zu nutzen, wenig wahrgenommen. Die Ertrags- und Qualitätskarten inkl. verschiedener Mähdaten, wie der genaue Erntetermin, die Ertragsmenge, die Erntegutfeuchte, Inhaltsstoffe, etc. können zur Optimierung der Mähpraktiken genutzt werden. Insbesondere erlauben NIRS-Daten die Abschätzung des Ertragspotenzials und der Nährwerte auf Teilfeldebene. Ein prominentes Beispiel dafür ist die Ertragsvorhersage mittels Erdbeobachtungsdaten und KI. Feldhäcksler-Ertragsdaten sind eine einfach skalierbare Technologie, die hochauflösende Ertragsdaten liefert, die sich zusammen mit Satellitendaten, Wetterdaten, Bodeninformationen und Höhenprofilen sich als sehr erfolgreich für die Vorhersage von Ernteerträgen erwiesen haben. Entsprechende Modelle zur KI-basierten Ermittlung des Ertragspotentials im Grünland fehlen jedoch aktuell.

Activities

1. Generation of agricultural farm data: Determining the optimal harvest time while taking into account forage quality and quantity, economic and agroecological requirements, and the preservation of biodiversity and plant communities. Data collection is carried out primarily using NIR sensors to capture precise information about forage stocks.

2. Data processing and Earth Observation (EO) data acquisition: Homogenization and preprocessing of farm data from participating commercial farms. Establishment of an Earth Observation-based data center for training AI models.

3. Development of AI models: Research aimed at developing an innovative forage yield prediction model for grassland to forecast the optimal mowing time, incorporating practical input from the participating farms.

4. Model evaluation and integration into the GeoBox infrastructure: The developed models are evaluated for their predictive accuracy, robustness, and practical applicability. This includes validation studies using real operational data from farms, as well as continuous adjustment of model parameters based on new sensor data. The final implementation takes place within the GeoBox infrastructure, and its application is evaluated by the participating farms.

5. Project Management and Knowledge Transfer: Established project and risk management methods are applied, and knowledge is transferred to both the field and the scientific community.

Activities

. Erzeugung von landwirtschaftlichen Betriebsdaten: Bestimmung des optimalen Schnittzeitpunkts unter Berücksichtigung der Futterqualität und -quantität, betriebswirtschaftlicher und agrarökologischer Vorgaben sowie des Erhalts der Artenvielfalt und Pflanzengesellschaften. Die Datensammlung erfolgt insbesondere mittels NIR-Sensorik, um präzise Informationen über den Futterbestand zu erfassen.

2. Datenverarbeitung und EO-Datenakquise: Homogenisierung und Verarbeitung von landwirtschaftlichen Datenräumen teilnehmender Praxisbetriebe. Aufbau eines erdbeobachtungsbasierten Datenraums zum Trainieren von KI-Modellen.

3. Entwicklung von KI-Modellen: Forschungsarbeiten zur Entwicklung eines innovativen Bestandsprognosemodells im Grünland zur Vorhersage des optimalen Schnittzeitpunkts, mit Einbezug praktischer Impulse aus den Praxisbetrieben.

4. Modellevaluation und Integration in die GeoBox-Infrastruktur: Die entwickelten Modelle werden hinsichtlich ihrer Vorhersagegenauigkeit, Robustheit und Praxistauglichkeit evaluiert. Dies umfasst Validierungsstudien mit realen Betriebsdaten der Praxisbetriebe sowie eine kontinuierliche Anpassung der Modellparameter auf Basis neuer Sensordaten. Die finale Implementierung erfolgt in der GeoBox-Infrastruktur, deren Anwendung durch die Praxisbetriebe evaluiert wird.

5. Projektmanagement und Wissenstransfer: Etablierte Projekt- und Risikomanagementmethoden angewandt und Wissen in die Praxis und die Wissenschaften transferiert.

Project details
Main funding source
CAP Strategic Plans 2023-2027 for Operational Groups
Additional funding source
No additional funding source
Project contribution to EU Strategies
  • Improving management of natural resources used by agriculture, such as water, soil and air
  • Improving animal welfare
Territorial scope
Transnational

Budget information

EUR 1 094 709.40
Total contribution
EAFRD contribution
EUR 1 094 709.40

  • EAFRD contribution EUR 1 094 709.40

Specific financial information not available.

Project keyword

Derzeit wird der Seiteninhalt nach Möglichkeit in der Muttersprache angezeigt

2 Practice Abstracts

The dairy industry—the economic backbone of the low-mountain regions of the Eifel, Hunsrück, Hochwald, West Palatinate, and Westerwald, which are rich in grassland—is under pressure. In Rhineland-Palatinate (RLP), the number of dairy farmers is declining sharply. At the same time, farm sizes are steadily increasing, placing high demands on farm management. In addition, annual milk production is subject to fluctuations due to environmental conditions and farming practices. To lay the groundwork for the preservation of dairy farming and permanent pasture, it is essential to determine how the economic backbone of the low mountain range regions can be supported and how the productivity of the dairy industry in RLP can be improved. The quality and yield of grassland play a central role in the efficiency of livestock farms. The timing of grassland mowing is a decisive factor in forage quality and has a direct impact on yield. The goal of the project is to develop a grassland stand development model that enables farmers to determine the optimal mowing time while taking various influencing factors into account. The model will incorporate not only weather data and forecasts, environmental data (such as soil moisture), and various fertilization practices, but will also account for the accessibility of the fields.

View detail page

Die Milchwirtschaft, das ökonomische Rückgrat der grünlandstarken Mittelgebirgsregionen von Eifel, Hunsrück, Hochwald, Westpfalz und Westerwald steht unter Druck. In Rheinland-Pfalz (RLP) ist die Anzahl an Milchlieferanten stark rückläufig. Dabei steigen die Betriebsgrößen kontinuierlich, was einen hohen Anspruch an die Betriebsorganisation stellt. Zusätzlich unterliegt die jährliche Milchproduktion Schwankungen, aufgrund von sich verändernden Umweltbedingungen und Betriebspraktiken. Um eine Grundlage für die Erhaltung der Milchviehhaltung und des Dauergrünlands zu schaffen, gilt es zu klären, wie das ökonomische Rückgrat der Mittelgebirgsregionen unterstützt und die Produktivität der Milchwirtschaft in RLP verbessert werden kann. Qualität und Ertrag des Grünlandes spielen eine zentrale Rolle für die Effizienz landwirtschaftlicher tierhaltender Betriebe. Der Schnittzeitpunkt von Grünland ist dabei ein entscheidendes Kriterium für die Qualität des Futters und hat direkte Auswirkungen auf den Ertrag. Das Ziel des Projekts ist die Entwicklung eines Bestandsentwicklungsmodells im Grünland, das es Landwirt/innen ermöglicht, den optimalen Schnittzeitpunkt unter Berücksichtigung verschiedener Einflussfaktoren zu bestimmen. In das Modell sollen nicht nur Witterungsdaten und -prognosen und Umweltdaten, (beispielsweise Bodenfeuchte), sowie verschiedene Düngepraktiken einfließen, sondern auch die Befahrbarkeit der Flächen berücksichtigt werden.

View detail page

Aus Sicht der Praxis gibt es folgende Herausforderungen bei der Bestimmung des optimalen Schnittzeitpunkts:

• Wetterbedingungen in der potenziellen Ernteperiode und eine Veränderung der Wachstumsperiode durch den Klimawandel

• Erntetechnik und Erntebedingungen

• Erntekosten und Ertrag

• Prognosemodelle sind in RLP nur begrenzt vorhanden

• Ausschließlich Frischgrasproben zur Bestimmung des optimalen Schnittzeitpunkts

• Beeinflussung der folgenden Grasernten

• Wiederkäuergerechtigkeit und Lagerung des Futters

Neben den Herausforderungen zur Bestimmung des optimalen Schnittzeitpunkts spielen auch die Art und der Zeitpunkt der Düngung im Zusammenspiel mit Witterung und Wachstumsverlauf eine entscheidende Rolle für die Abschätzung des optimalen Schnitttermins im Grünland. Sie wirkt sich direkt auf die Wachstumsraten und die Futterqualität aus, beschleunigt die Biomasseproduktion und beeinflusst Ertrag und Nährwert.

Folgende Technologien werden im Rahmen dieses Projekts eingesetzt, um eine präzisere Prognose des Pflanzenaufwuchses (Wachstumsstadien und Menge) zu ermöglichen: Wetterstationen liefern lokale Temperatursummen und Bodenfeuchte, historische Feldhäckslerertragskarten zeigen die räumliche Verteilung von Erntemenge und Qualität und Satellitendaten (inkl. NDVI) liefern aktuelle Schlaginformationen. Die Integration dieser Technologien und Daten erzeugt neue Möglichkeiten, die die Entscheidungsfindung optimieren und langfristig die Grünlandproduktivität sowie die Milchproduktion in RLP steigern.

View detail page

From a practical standpoint, the following challenges arise when determining the optimal cutting time:

• Weather conditions during the potential harvest period

• Harvesting techniques and conditions

• Harvesting costs and yield

• Forecast models are limited in Rhineland-Palatinate

• Reliance solely on fresh grass samples to determine the optimal cutting time

• Impact on subsequent grass harvests

• Suitability for ruminants and forage storage

In addition to the challenges involved in determining the optimal cutting time, the type and timing of fertilization—in conjunction with weather conditions and growth patterns—also play a decisive role in estimating the optimal cutting date for grassland. Fertilization directly affects growth rates and forage quality, accelerates biomass production, and influences yield and nutritional value.

The following technologies are being used in this project to enable a more precise forecast of plant growth (growth stages and quantity): Weather stations provide local temperature sums and soil moisture data; historical forage harvester yield maps show the spatial distribution of harvest quantity and quality; and satellite data (including NDVI) provide up-to-date field information. The integration of these technologies and data creates new opportunities to optimize decision-making and, in the long term, increase grassland productivity and milk production in Rhineland-Palatinate.

View detail page
Derzeit wird der Seiteninhalt nach Möglichkeit in der Muttersprache angezeigt

Contacts

Project coordinator

  • Project coordinator

    Deutsches Forschungszentrum für künstliche Intelligenz GmbH (DFKI) Marcela.Charfuelan@dfki.de Researcher or research organisation

Project partners