KI hilft Landwirten bei der Planung des perfekten Erntetermins
Neue KI-Modelle prognostizieren Erntedaten und Erträge – doch die Technologie steckt noch in den Kinderschuhen.
Künstliche Intelligenz (KI) soll Landwirten künftig dabei helfen, den optimalen Zeitpunkt für die Ernte ihrer Früchte zu bestimmen. Neue Werkzeuge, die Früchte am Baum oder Rebstock zählen, analysieren und vorhersagen, wann Kulturen reifen, entstehen gerade erst. Das berichtet die BBC. Der Bedarf ist groß, denn die Preise für Obst – insbesondere für hochwertige Beeren wie Erdbeeren oder Heidelbeeren – können stark schwanken. Ein falscher Erntetermin bedeutet, Saisonarbeiter einzubuchen, wenn sie nicht benötigt werden, und die größten Gewinne zu verpassen.
Ein konkretes Beispiel liefert Joel Carter von Okanagan Specialty Fruits. Als im vergangenen Jahr in Washington State der erste Tag der Apfel-Ernte anbrach, waren die Früchte reif und die Erntehelfer bereit – doch das Wetter machte einen Strich durch die Rechnung. „Es waren wie 38 Grad Celsius … es ist nicht sicher für Menschen, bei solcher Hitze zu arbeiten“, erinnert sich Carter. „Wir mussten um zehn Uhr morgens aufhören.“ KI-Modelle, die ideale Erntedaten unter Berücksichtigung des Wetters prognostizieren, wären hier hilfreich. „Man muss mehr wissen als nur, wann das Obst reif sein wird. Wie lange hat man Zeit, es zu ernten?“, so Carter. „Hier sind diese Modelle wirklich hilfreich.“
Carters Unternehmen verfügt über mehr als 1.250 Acres (rund 506 Hektar) Apfelplantagen in Washington. Die Früchte werden für geschnittene Apfelportionen angebaut, die oft an Hotels und Schulen verkauft werden. Das Unternehmen investiert in Technologie mit der Hoffnung, die Produktivität zu maximieren – sogar die Äpfel sind gentechnisch so verändert, dass sie nach dem Schneiden nicht leicht braun werden.
Kameras auf Traktoren erfassen den Reifegrad
Okanagan Specialty Fruits experimentiert bereits mit Kameras eines kanadischen Unternehmens namens Vivid Machines. Die Kameras sind auf Traktoren montiert und erfassen Bilder der Apfelbäume, während der Traktor vorbeirollt. KI identifiziert Knospen, Blüten oder Früchte in diesem Filmmaterial. „Aktuell liefert uns Vivid Schätzwerte für die Erträge und Erntedaten“, sagt Carter. Das System sei gut darin, sehr kleine Blütenknospen herauszufiltern, die mit bloßem Auge schwer zu erkennen sind. Die Genauigkeit der Prognosen hängt jedoch spürbar von der Qualität der historischen Informationen ab, die in das System eingespeist werden. „Das ist nichts, worin eine KI das Internet durchsuchen und herausfinden kann, was der durchschnittliche [Ertrag] für Granny Smith ist“, erklärt Carter. „Es wird maßgeschneidert für Ihre Farm sein.“
Äpfel sind zumindest teilweise verzeihend – das Erntefenster für Granny Smiths beträgt drei Wochen. Bei anderen Früchten wie Beeren hat man möglicherweise nur wenige Tage. „Wenn eine Erdbeerernte anfällt, müssen Sie sie ernten – sonst wird Ihre gesamte Ernte sehr, sehr schnell krank“, sagt Raymond Martin, Mitgründer und Chief Operating Officer von FruitCast. Das britische Unternehmen bietet Ernteprognosen für Obstbauern an – für Erdbeeren sowie Himbeeren, Brombeeren, Heidelbeeren und Tomaten. „Nächstes Jahr kommen Trauben dazu“, fügt Martin hinzu.
Auf die Frage, ob erfahrene Landwirte nicht ohnehin wissen, wann ihr Obst reif ist, antwortet Martin, dass sie dies im Allgemeinen zwar wissen – aber nicht unbedingt für ihre gesamte Farm, die viele Acres groß sein kann oder sowohl Außen- als auch Innenanbauflächen umfasst. „Wir tun genau das, was die Bauern tun könnten, aber wir tun es in einem Maßstab, den sie nicht erreichen können.“ Das System analysiert Filmmaterial von reifendem Obst, das von Drohnen, Smartphones oder Kameras auf landwirtschaftlichen Fahrzeugen aufgenommen werden kann.
Herausforderndes Jahr durch Hitze und Dürre
Dieses Jahr war laut Martin herausfordernd, mit heißem Wetter und schwerer Dürre, die weite Teile des UK getroffen hat. Dies hat viele Obstpflanzen gestresst und sie in eine thermische Ruhephase versetzt, was die Fruchtbildung verlangsamt hat. Das FruitCast-Modell berücksichtigt Wetter- und Bewässerungsbedingungen in seinen Prognosen. Das Unternehmen gibt an: „Unsere Prognosen liegen innerhalb von 10% des tatsächlichen gepflückten Volumens in einer Woche (90% genau) und innerhalb von 17% in drei Wochen (83% genau). Wir garantieren einen Fehler von weniger als 20% …“
Angus Soft Fruits ist eines der Unternehmen, die mit FruitCast zusammengearbeitet haben. KI-Technologie zur Vorhersage der Fruchtreife ist laut Operations Director Neill Finlayson noch keine „fertige Lösung“: „Diese Reise dauert noch an, und obwohl erhebliche Fortschritte erzielt wurden, befindet sich die Branche noch einige Wege davon entfernt, ein vollständig integriertes Prognose-Ökosystem zu erreichen.“ Driscoll’s, ein in Kalifornien ansässiger Obstverkäufer mit einer großen Operation im UK, bestätigte BBC News ebenfalls, dass einige seiner unabhängigen Obstbauern im UK die Technologie von FruitCast genutzt haben.
Forscher untersuchen auch neue Möglichkeiten, Früchte in größter Detailtiefe zu analysieren. Viele Landwirte verwenden bereits handgehaltene Brix-Meter, um den Zuckergehalt ihrer Ernte zu messen. Diese Geräte funktionieren, indem sie messen, wie viel Licht seine Richtung geändert oder gebrochen hat, nachdem es durch eine Flüssigkeit gegangen ist – was das Vorhandensein von Feststoffen anzeigt. Einige dieser Meter nutzen Infrarotlicht, sodass kein Schnitt in die Frucht vorgenommen werden muss.
Yasaman Ghasempour von der Princeton University setzt dagegen auf Millimeterwellen, also Hochfrequenz-Funkwellen, die tiefer eindringen können. „Sie reagieren im Grunde sehr gut auf Feuchtigkeit, Wasser [und Zucker]“, sagt sie. Sie und ihre Studenten haben einen millimeterwellenbasierten Reifdetektor entwickelt, der von Landwirten – oder sogar Kunden, die nach perfekt reifen Früchten in Geschäften suchen – verwendet werden könnte. Ihre Studenten probierten ihn auf einem lokalen Markt in New Jersey aus. „[Das Personal] dort bekam irgendwie Angst, dass wir etwas Schmutziges treiben“, lacht Ghasempour.
Vertrauen der Landwirte entscheidend
Doch während einige Pflanzer wie Carter daran interessiert sind, neue Technologien auszuprobieren, werden sich viele fragen, ob die Investition wirklich lohnenswert ist. „Die Adoption ist sehr kompliziert“, sagt Jing Zhang an der North Carolina State University. „Der Pflanzer muss Vertrauen in die Forschung haben und ob es funktioniert oder nicht.“ Zhang arbeitet an einem System, das automatisch die Anzahl der Heidelbeeren zählt, die in Smartphone-Bildern von Heidelbeersträuchern erfasst werden.
Die einfachsten Systeme müssen nicht teuer sein. Kevin Wang an der University of Florida hat ein weiteres Ertragszählwerkzeug entwickelt, das Bilddaten von 100-Dollar-Drohnen ernten kann. In Zukunft könnten solche Informationen in Reifevorhersagen einfließen. Allerdings weist er darauf hin, dass einige Landwirte möglicherweise Bedenken haben, kommerziell sensible Informationen über ihre Anbaustrategien, wie Dünger- und Bewässerungspläne, mit Dritten und KI-Modellen zu teilen.
Ben Palone ist Senior Director für Automatisierung und Kommerzialisierung bei Western Growers, einem Verband, der Landwirte im Westen der USA vertritt. Er sagt, dass Ernteprognosen ein gewisses Potenzial als „Optimierungswerkzeug“ haben. Aber Landwirte werden wahrscheinlich weiterhin auf menschliche Intelligenz vertrauen. „Pflanzer möchten Menschen im Prozess haben, um einige dieser sehr kritischen Entscheidungen zu treffen – besonders wenn es um Ernten geht“, sagt er.