Automatisierte Datenflüsse für Pflanzenmodelle
Partners:
Technical University Munich
Bayerische Landesanstalt für Landwirtschaft
Weihenstephan-Triesdorf University of Applied Sciences
Directorate General of the Bavarian State Archives
Leibniz Institute for Agricultural Engineering and Bioeconomy
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.
Die 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.
Die Massnahmen
- Entwicklung von Arbeitsabläufen für Kulturpflanzen-Modellanwendungen
- Automatisierung der Datenverarbeitung und -speicherung für Kulturpflanzen-Modelle
- Automatisierte Plausibilitätsprüfungen für Inputs und Outputs von Kulturpflanzen-Modellen
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