Lernen aus unvollständigen Daten
Dieser Use Case befasst sich mit der Frage, wie mit unvollständigen Daten aus Langzeitexperimenten umgegangen werden kann.
Partners:
Leibniz Centre for Agricultural Landscape Research (ZALF)
Information Centre for Life Sciences (ZB MED)
University of Bonn
World Agricultural Systems Center of Technical University Munich
Der Hintergrund
Daten aus landwirtschaftlichen Langzeit-Feldversuchen (LTE) sind in den Agrarsystemwissenschaften von großem Interesse, insbesondere für die Verwendung in der Modellvalidierung und -simulation. Obwohl sowohl national als auch international zahlreiche LTEs mit unterschiedlichen Faktoren durchgeführt werden (z.B. lte.bonares.de), sind deren Daten selten veröffentlicht worden und stehen somit nicht für die Anwendung in Pflanzenbau-Modellen zur Verfügung. LTE-Studien zielen häufig darauf ab, die jeweiligen Haupteinschränkungen der Ernteerträge in einem bestimmten Umfeld zu ermitteln, z. B. die Auswirkungen von Schädlingen und Krankheiten, Wasser- oder Nährstoffmangel oder nachteilige klimatische Bedingungen, und versuchen, die langfristigen Auswirkungen auf den Bodenkohlenstoff zu verstehen, um Maßnahmen zur Verbesserung der Kohlenstoffbindung im Boden zu unterstützen. In der Regel werden jedoch nur ein oder zwei Faktoren berücksichtigt, die nur begrenzte Informationen über das jeweilige Umfeld liefern, was ein großes Hindernis für die Verwendung von LTE-Daten für allgemeinere Metastudien oder die Anwendung von biophysikalischen oder maschinellen Ertragsmodellen darstellen kann. Darüber hinaus erfordert die Verwendung von LTE-Daten für die Kalibrierung und Validierung von Erntemodellen Kenntnisse über die Qualität und Plausibilität der Daten, die in veröffentlichten Datensätzen oft fehlen
Die Ziele
Dieser Use Case zielt darauf ab, die Verfügbarkeit von LTE-Daten zu verbessern und diese zu ergänzen, die für Modellierer von Kulturpflanzen oder Metastudien von besonderem Interesse sind. Eine Aktivität in diesem Anwendungsfall wird die Unterstützung von LTE-Experimentatoren bei der Veröffentlichung ihrer Datensätze in bestehenden FAIRagro-Infrastrukturen sein. Um die LTE-Daten für allgemeine Studien nutzbar zu machen, werden zusätzliche Kontextinformationen gesammelt, die die LTE-Daten ergänzen. Es wird ein iterativer Ansatz entwickelt, der so weit wie möglich automatisiert und als Leitfaden für die Ergänzung bestehender LTE-Datensätze zur weiteren Verwendung veröffentlicht wird. Darüber hinaus wird ein Dienst zur Analyse und Bewertung der Datenqualität und -plausibilität entwickelt, die für die Wiederverwendung von LTE-Daten in Modellanwendungen erforderlich ist.
Die Massnahmen
- Unterstützung und Standardisierung der Veröffentlichung neuer LTE-Daten
- Datenkuratierung zur Ergänzung bereits veröffentlichter unvollständiger LTE-Daten
- Implementierung eines Dienstes zur Bewertung der Datenplausibilität
Weitere Use Cases
Use Case 1: Nutzung der Wechselwirkungen zwischen Genotyp, Standort, Jahr und Bewirtschaftung für eine nachhaltige Pflanzenproduktion
Use Case 2: Bewertung von Trade-offs für ein optimales Stickstoffmanagement bei Pflanzen
Use Case 3: Optimierung von Schädlings- und Krankheitsdaten zur Förderung des integrierten Pflanzenschutzes
Use Case 4: Lernen aus unvollständigen Daten
Use Case 5: Nichtinvasive Phänotypisierung mit autonomen Robotern
Use Case 6: Automatisierte Datenflüsse für Pflanzenmodelle
Use Case 7: Tools der nächsten Generation für Extremereignisse und Bewertung der Pflanzenresilienz (NEXT-Gen-EXPERT)
Use Case (Pilot) 8: Systematische Ansätze zur effizienten Datensynchronisation in den Gartenbauwissenschaften (HortSEEDS)