Auf dem Weg zu einer effizienten Phänotypisierung für
Deutschlands nächste Weizensorte…
Eine nachhaltige Pflanzenproduktion erfordert Kenntnisse über den strukturellen und funktionellen Status der Pflanzen auf dem Feld, um präzise Maßnahmen zu planen und durchzuführen. Obwohl in den letzten Jahren erhebliche Fortschritte in der Sensortechnologie, im maschinellen Lernen und in der autonomen Robotik erzielt wurden, stehen wir noch am Anfang.
In Use Case 5 “Nichtinvasive Phänotypisierung mit autonomen Robotern” untersucht FAIRagro das Potenzial von multimodalen Datenanalysemethoden und Algorithmen des maschinellen Lernens für die Phänotypisierung von Pflanzen im Feld. Den aktuellen Stand des Use Case 5 und wie es künftig weitergeht, erfahren Sie in diesem Report.
Inhalt dieser Seite:
Welche Rolle ein faires Forschungsdatenmanagement dabei spielt, welche Schritte das Use Case 5 Team bereits gemeistert hat und welche Herausforderungen noch vor ihnen liegen, erfahren Sie in diesem Use Case Update. Wir zeigen, warum Sensorsysteme eine große Rolle für die Phänotypisierung spielen – und was Phänotypisierung eigentlich ist. Erfahren Sie außerdem, wie die Zusammenarbeit von FAIRagro mit Wissenschaftler*innen in diesen Bereichen konkret aussieht.
In Teil 3 des Reports finden Sie zudem wertvolle Hinweise auf mögliche Anknüpfungspunkte für zukünftige Use Cases – vielleicht Ihren eigenen?
UC 5 Partners
Motivation
Finding Germany´s next wheat variety
In der heutigen Landwirtschaft ist es ebenso wichtig wie in der Pflanzenzüchtung, schnell und effizient zu erfassen, wie Pflanzen unter verschiedenen Umwelt- und Managementbedingungen „performen“. Ein entscheidendes Werkzeug hierfür ist die Phänotypisierung – die Charakterisierung von Pflanzen anhand spezifischer Merkmale.
Traditionelle Methoden vs. Moderne Technologien
Während Pflanzen zur Bestimmung bestimmter Merkmale, wie Pflanzenhöhe und Biomasse traditionell in mühevoller Handarbeit „geerntet“ und in ihre Einzelteile zerlegt werden mussten, erlaubt der Einsatz von Sensoren und die Automatisierung von Prozessen heute ungleich größere Durchsatzraten und damit auch viel breitere Anwendungsmöglichkeiten.
Fortschritte durch Sensoren und Automatisierung
Mit der Einführung nicht-invasiver Phänotypisierungstechnologien, kombiniert mit Robotik und Fernerkundungsverfahren, können Wissenschaftler und Praktiker heute effizienter arbeiten. Diese Technologien, die vom Use Case 5 Team entwickelt und weiterentwickelt werden, erleichtern informierte und evidenzbasierte Entscheidungen.
Vorteile für Züchter und Landwirte
Diese fortschrittlichen Methoden unterstützen nicht nur Züchter bei der Suche nach der besten Weizensorte für den Anbau in Deutschland, sondern helfen auch Landwirten bei ihren täglichen Managemententscheidungen angesichts sich ändernder Bedingungen und des Klimawandels.
Phenotyping and sensors – It´s a match
In der modernen Phänotypisierung spielen Fernerkundung, unterschiedliche Sensorsysteme und Automatisierung eine zentrale Rolle. Diese Technologien ermöglichen es, wichtige Merkmale zu messen und wertvolle Indikatoren in Echtzeit zu berechnen – von der Blatt- und Pflanzenebene bis hin zur Feld- oder sogar Landschaftsebene.
Unterschiedliche Phenotypisierungsplattformen in der praktischen Anwendung.
Quelle: Measuring, scaling, and understanding solar-induced fluorescence from leaf to the canopy and field scale …
Ein anschauliches Beispiel für Sensormessungen und daraus abgeleitet Indikatoren der Pflanzenleistung ist Chlorophyllfluoreszenz als Indikator für die Photosyntheseleistung. Ein Überblick und neueste Erkenntnisse zur “Messung, Skalierung und Verständnis der sonneninduzierten Fluoreszenz vom Blatt über das Blätterdach bis hin zur Feldskala” wurde von Uwe Rascher (Forschungszentrum Jülich (FZJ)), Leiter von UC 5, in einer Präsentation auf dem Flex Fluorescence Workshop im Jahr 2023 vorgestellt.
Sensor-Systeme mit Instrumenten zur Quantifizierung von Fluoreszenz zur nicht-destruktiven Feldphänotypisierung auf verschiedenen Skalen. Quellen: European space agency, Forschungszentrum Jülich, Pixabay (Modifiziert).
Autonome Sensormessungen in der Landwirtschaft
Heutzutage müssen Sensormessungen nicht mehr aktiv von Menschen an den Pflanzen durchgeführt werden. Stattdessen können diese autonom im und über dem Feld erfolgen. Sensoren werden an Landmaschinen angebracht, die über das Feld fahren, oder an Drohnen und Flugzeugen installiert, die über die Landschaft fliegen.
Innovation durch Satellitentechnologie
Ein bedeutender Fortschritt in der Fernerkundung wird 2026 erfolgen, wenn ein Satellit der ESA startet. Ausgestattet mit dem bildgebenden Spektrometer “FLORIS”, wird dieser Satellit globale Fluoreszenzmessungen ermöglichen und somit noch umfassendere Daten zur Pflanzenleistung liefern.
Für die Kalibrierung und Validierung von Sensoren braucht es Daten – viele Daten 🙂
Die Kalibrierung neuer Instrumente und Sensoren sowie die Validierung der Messungen erfordern den Zugang zu hochwertigen Datensätzen. Die Veröffentlichung solcher Datensätze ist von großer Bedeutung. Durch die Kombination verschiedener Datenquellen und -typen können Wissenschaftler*innen heute komplexe Indikatoren immer genauer bestimmen. Dies verbessert die Zuverlässigkeit der Vorhersagen zur Pflanzenperformance unter wechselnden Bedingungen erheblich.
Erste Ziele von UC 5
Use Case 5 (UC 5) setzt sich dafür ein, wesentliche Voraussetzungen zu schaffen und die Anforderungen an das Forschungsdatenmanagement (FDM) für die Veröffentlichung umfassender Phänotypisierungsdatensätze zu präzisieren. In einem ersten Schritt plant UC 5, einen Benchmark-Datensatz mit vollständigen Feldphänotypisierungsdaten zu veröffentlichen. Dies wird die Grundlage für weitere Forschung und die Entwicklung präziserer Phänotypisierungsmethoden bilden.
Preliminary achievements
The Repo Reality Check
Verbesserung der Datenverfügbarkeit durch Veröffentlichung in Datenkatalogen
Ein entscheidender Schritt zur Verbesserung der Auffindbarkeit und Zugänglichkeit von Datensätzen ist deren Veröffentlichung in nicht-proprietären Datenkatalogen oder Repositories. Das UC 5-Team führte Tests an verschiedenen fachspezifischen Repositories durch, um die Anforderungen für die Veröffentlichung von Multi-Sensor-Datensätzen zu bewerten.
Herausforderungen bei der Veröffentlichung heterogener Datensätze
Obwohl zahlreiche fachspezifische Repositories für die Veröffentlichung von Daten in der Agrarsystemforschung existieren, bleibt die Wirksamkeit der Veröffentlichung heterogener Datensätze (wie Bilder, phänotypische IDs, Sensor-IDs, Luftaufnahmen, Bodendaten usw.) in der Praxis herausfordernd. Sind die verfügbaren Datensätze vollständig mit Metadaten beschreibbar? Erfüllen die vorhandenen Repositories die FAIR-Kriterien für die Datenveröffentlichung?
Evaluierung von Repositories und Ableitung von Empfehlungen
Das UC 5-Team hat intensiv verschiedene Repositories getestet, darunter OpenAgrar, Bonares, PhenoRoam und Jülich DATA, um herauszufinden, inwieweit heterogene Multi-Sensor-Daten gemäß der FAIR-Kriterien veröffentlicht werden können. Es wurde zum Beispiel überprüft, welche rechtlichen Voraussetzungen erfüllt sein müssen, damit beteiligte Wissenschaftler umfassende Daten veröffentlichen können, welche Lizenzen genutzt bzw. gewählt werden können und welche Möglichkeiten bzw. Einschränkungen dies für die Nachnutzung mit sich bringt. Besonderes Augenmerk wurde dabei vor allem auf die Metadaten gelegt und kritisch hinterfragt, ob diese die Daten ausreichend abbilden und beschreiben, damit eine Nachnutzung und ein einfaches „Daten ernten“ Realität werden. Daraus wurden Empfehlungen für fernerkundungsspezifische Metadaten abgeleitet, die in den Metadaten- und Standardisierungs-Entwicklungen von FAIRagro Berücksichtigung finden sollen.
Meilenstein: Veröffentlichung des Benchmark-Datensatzes
Die Veröffentlichung der ersten Benchmark-Datensätze durch das UC5 Team markiert dafür einen bedeutenden Meilenstein. Einer dieser Datensätze ist das Feldphänotypisierungsset von zehn Weizensorten.
Bench mark data set: Field Phenotyping of Ten Wheat Cultivars
Anpassung der FDM-Infrastrukturen an die Bedürfnisse der Forschenden
Die erste Version des Benchmark-Datensatzes wurde bereits in einem DeepDive mit dem NFDI Konsortium DataPLANT vorgestellt und zur Testung des Annotated Research Context (ARC) Tools ARCitect verwendet. ARCitect soll als zentraler Baustein der sich im Aufbau befindenden Forschungsdateninfrastruktur später das „Ernten“ von Daten aus verschiedenen Repositorien, Datenkatalogen und Banken ermöglichen.
Der intensive Check der Repositories war ein wichtiger Schritt, um die FDM-Infrastrukturen den Bedürfnissen der Forschenden anzupassen und den Zielen von FAIRagro gerecht zu werden. Dabei geht es darum, Services und Infrastrukturen für die Community weiterzuentwickeln.
Zusammenarbeit mit Data Stewards zur Unterstützung und Schulung
Die Zusammenarbeit mit den Data Stewards des Data Steward Service Center (DSSC) ist dafür ein wichtiger Baustein. FAIRagro Data Stewards konnten UC 5 nicht nur mit ihrer Expertise unterstützen, sondern auch dabei helfen, diese im Rahmen von gemeinsamen Trainings bedarfsorientiert an die Community weiterzugeben.
Integration von UC 5-Ergebnissen in FAIRagro-Trainings
Das UC5-Team war auch wesentlich daran beteiligt, ein FAIRagro-Training unter Leitung der FAIRagro Trainingskoordinatorin zum Thema „Handling and organizing plant phenotyping data – a workshop on Research Data Management“ für Interessierte auszugestalten und damit Ergebnisse aus der FAIRagro UC Arbeit in die Community zu tragen.
Training: Next steps & points of connection for new UC
Richy rich metadata (models)
Der Repo Reality Check ist eine zentrale Vorarbeit und liefert wichtige Erfahrungen zur Annotation von Forschungsdaten sowie zur bedarfsorientierten Weiterentwicklung von umfangreichen, sprich „rich“, Metadaten.
Bedeutung für FAIRE Datenkonzepte in der Agrarsystemforschung
Dies ist zum einen wichtig für die Arbeiten der Task Area 3 (TA), die FAIRE Datenkonzepte auf der Basis von Metadatenmodellen für skalierbare Forschungsdateninfrastrukturen konsolidieren wollen und somit Leitlinien für die FAIRE Datenpublikation in der Agrarsystemforschung entwickeln.
Integration von wissenschaftlichen Workflows
Dies ist wiederum eine wesentliche Voraussetzung für die Integration von wissenschaftlichen Workflows, die u.a. automatisierte Datenkuration ermöglichen oder die Datenvisualisierung vereinfachen. Zukünftige UC können auch dabei helfen, die Bedürfnisse aus der Community zu schärfen und bei der Implementierung und dem Testen konkreter Workflows zu unterstützen, um für Forschende ein innovatives Forschungsdatenmanagement erlebbar zu machen.
Potenziale für Precision Farming und Machine Learning
Es bieten sich interessante Anknüpfungspunkte, besonders in den Bereichen Fernerkundung und Informatik. Wie kann das Potenzial besserer Datenverfügbarkeit im Precision Farming genutzt werden und welche Rolle spielen dabei Machine-Learning-Methoden? Diese Fragestellungen eröffnen spannende Anwendungsmöglichkeiten für die praxisorientierte Agrarforschung. Automatisierte Analysen großer und hochwertiger Datenmengen können präzisere Managemententscheidungen ermöglichen oder die Selektion neuer, an den Klimawandel angepasster Weizensorten beschleunigen.
Bewerben Sie sich bis zum
5. Juli 2024, 18 Uhr
als Use Case für FAIRagro
by Irek Kleppert and Anne Sennhenn, April 2024