Dieser Use Case befasst sich mit den Datenproblemen bei der Kalibrierung und Anwendung von Erntemodellen.

Hintergrund

Simulationsmodelle sind zu wichtigen Instrumenten in der Agrarforschung und der Analyse von Kulturpflanzensystemen geworden. Sie spielen eine immer wichtigere Rolle in der Forschung zur Entscheidungsfindung für die Automatisierung der Pflanzenbewirtschaftung von der Aussaat bis zur Ernte. Für den Betrieb dieser Modelle werden Daten aus verschiedenen Quellen mit unterschiedlicher Zugänglichkeit, Größe, Aggregation, Einheiten, Qualität, zeitlichen und räumlichen Maßstäben und Formaten benötigt. Darunter sind Feldaufzeichnungen, Bodenuntersuchungen, Wetterstationen, Szenarien für den Klimawandel, zeitnahe Feldsensoren, Ferndaten von Drohnen und Satelliten für die Datenassimilation sowie saisonale und marktbezogene Wettervorhersagen.

Einige der benötigten Daten werden auf der Grundlage von qualitativen Informationen aus verschiedenen Quellen generiert und in Quantitäten umgewandelt, wie z. B. Parameter von Kultursorten. Ein wichtiger Aspekt dabei ist die Zugänglichkeit der Datenquellen: Einige dieser Daten sind öffentlich zugänglich (z. B. Wetterdaten), andere werden in der laufenden Forschung erhoben und sind noch nicht veröffentlicht (z. B. einige Feldsensordaten), und wieder andere haben je nach Vorschriften nur eingeschränkte Zugangsrechte.

Die Integration aller Modelleingabedaten erfordert Fachleute aus verschiedenen Disziplinen wie Agronomie, Bodenkunde, Pflanzenbaukunde, Züchtung, Biogeochemie, Hydrologie, Ökologie, Pathologie, Agrarwirtschaft, Meteorologie, Klimawissenschaft und Informatik, um diese Daten zu finden, abzurufen und zu übertragen, Dateiformate, Maßstäbe und Einheiten zu konvertieren, Qualitätsprüfungen durchzuführen und fehlende Informationen zu ergänzen. Auch die Erntemodelle erzeugen große Datenmengen, die qualitätsgeprüft, dokumentiert, als Entscheidungsgrundlage für den Einsatz von Robotern und Drohnen bei künftigen Feldarbeiten zur Verfügung gestellt, für die Langzeitarchivierung aufbereitet und der Forschungsgemeinschaft in der Landwirtschaft und in anderen Bereichen (z. B. Erdsystem- und Klimafolgenforschung) für weitere Studien zugänglich gemacht werden müssen.

Ziele

In diesem Anwendungsfall werden die Datenanforderungen identifiziert und ein allgemeiner Rahmen für eine nahtlose Integration von Daten mit Pflanzenmodellen in enger Zusammenarbeit mit den Anwendungsfällen 2 und 3 definiert. Use Case 6 entwickelt einen Prototypen für einen nahtlosen Arbeitsablauf zur Verwendung von Pflanzenmodell-Inputs, Pflanzenmodell-Simulationen und Pflanzenmodell-Outputs für die Parametrisierung des DSSAT-Kartoffelmodells als Teil der Forschung zur Automatisierung einer Kartoffelwachstumssimulation von der Aussaat bis zur Ernte.

Die erwarteten Ergebnisse werden eine umfassende und kontinuierliche Nutzung von Datenquellen (entsprechend der jeweiligen Datenzugriffsrechte; Maßnahmen 3.6 und 4.2) ermöglichen, die für den Betrieb des DSSAT-Potato-Modells und von Kulturpflanzenmodellen im Allgemeinen benötigt werden. Das entwickelte Rahmenwerk und der Prototyp werden die Entwicklung nahtloser Infrastrukturen zur Integration einer Reihe von Daten und Simulationsmodellen in den landwirtschaftlichen Forschungsgemeinschaften und damit in FAIRagro als Ganzes leiten.

Dieser Use Case integriert die FAIRagro-Datenprinzipien in eine wissenschaftliche Workflow-Infrastruktur und berücksichtigt die bestehende Dateninfrastruktur [z.B. SRADI (Smart Rural Area Data Infrastructure) an der TUM], um die Qualität der bestehenden Daten zu verbessern und die Interoperabilität mit anderen Dateninfrastrukturen zu ermöglichen.

Maßnahmen:

1. Entwicklung von Arbeitsabläufen für Kulturpflanzen-Modellanwendungen
2. Automatisierung der Datenverarbeitung und -speicherung für Kulturpflanzen-Modelle
3. Automatisierte Plausibilitätsprüfungen für Inputs und Outputs von Kulturpflanzen-Modellen

Status und Ausblick Juni 2026

Der UC6-Workflow wurde als modulare, CWL-basierte Lösung im Rahmen der FAIRagro Scientific Workflow Infrastructure (SciWIn) entwickelt. Er automatisiert die Datenpipeline für die Ertragssimulation, indem er Daten aus UAV-basierten Vegetationsindizes, IoT-Sensoren, Feldmetadaten und Wetterquellen integriert. Der Workflow erzeugt standardisierte Eingabedaten für Pflanzenwachstumsmodelle und simulationsfertige Datensätze, beispielsweise für DSSAT, unter Verwendung spezialisierter Tools zur Verarbeitung von Vegetationsindizes, zur Phänologieanalyse und zur Datentransformation. Dies ermöglicht reproduzierbare, übertragbare und skalierbare Pflanzenwachstumssimulationen mit hohem Durchsatz. Der Workflow ist im FAIRagro-GitHub-Repository unter https://github.com/fairagro/fairagroUC6-workflows verfügbar.

In Zusammenarbeit mit FAIRagro und DataPLANT wandeln wir den UC6-Workflow in das ARC-Format um. Dies ermöglicht die Veröffentlichung auf WorkflowHub und im NFDI4Plants-Archiv und etabliert ihn als Vorzeige-FAIR-Digitalobjekt. Unser Ziel ist es, eine Referenzimplementierung für die Community bereitzustellen, die Best Practices für FAIR-konforme, interoperable und wiederverwendbare wissenschaftliche Workflows demonstriert.

Lesen Sie dazu auch den ersten ausführlichen Update and Progress Report von Benjamin Leroy und Anne Sennhenn von April 2024.

---