Regelmäßige und detaillierte Bonituren sind ein elementarer Baustein im landwirtschaftlichen Versuchswesen, um eine fachgerechte qualitative Beurteilung des Pflanzenbestands zu erhalten. Ein möglichst umfassendes Wissen über den aktuellen Zustand des Bestandes ist notwendig zur akkuraten Steuerung von Maßnahmen im Pflanzenschutz, Bewässerung oder Düngung zu den richtigen Zeitpunkten.
Bisher erheben Landwirte und Versuchsansteller diese Kenntnisse hauptsächlich über manuelle Bonituren, welche nur stichprobenartig durchgeführt werden. Dadurch sind diese stark vom jeweiligen Boniteur abhängig.
Zudem erfordert die manuelle Bonitur eines Bestandes viel Zeit und ist personalintensiv.
Das Projekt BoniKI hat das Ziel ein autonomes und pflanzengenaues Bonitursystem zu entwickeln, das mittels moderner computergestützten Verfahren die notwendigen Parameter selbst erlernt.
Hierbei werden hochaufgelöste Luftaufnahmen von unbemannten Flugsystemen (UAS oder Drohnen genannt) mit Hilfe von Verfahren der künstlichen Intelligenz (KI), mittels Neuronaler Netze, klassifiziert.
Das Projekt besteht aus drei Abschnitten, erstens der manuellen Bonitur zur Erhebung von Trainings- und Validierungsdaten. Zweitens erfolgt mit dem Fachwissen des Boniteurs eine bildbasierte Bonitur. In dieser werden die für die Bonitur relevanten Parameter in den Luftaufnahmen identifiziert und mit einem sogenannten Labelingtool kenntlich gemacht. Anhand dieser Information wird ein neuronales Netz trainiert. Im dritten Schritt soll eine automatisierte Bonitur stattfinden, die das vorher generierte Wissen aufgreift und selbst die notwendigen Boniturparameter erkennt.
Somit soll eine flächenhafte Bonitur mit geringem Fehlerpotential ermöglicht werden.
Zudem wird Domänenwissen, das bisher nur erfahrenen Boniteuren zur Verfügung steht, an weniger erfahrene Boniteure und Landwirte weitergegeben, sodass nur noch geringfügige Anpassungen an das Modell vorgenommen werden müssen.

Im Rahmen des Projektes werden manuelle, bildbasierte und KI-getriebene Boniturmethoden gegenübergestellt und evaluiert, wobei der Fokus auf der Entwicklung eines neuen KI-basierten Bonitursystems liegt.
Bei der manuellen Bonitur werden gängige pflanzenphysiognomische Parameter auf eine praxisübliche Art und Weise erhoben, die den Methoden der aktuellen guten fachlichen Praxis folgt.
Dabei werden die Ausprägungen einiger Parameter, wie zum Beispiel Bestockung, Reife oder Krankheits- und Schädlingsbefall, in einem relativen Schema von “sehr gering” bis “sehr stark” erfasst.
Bei der automatisierten, bildbasierten Bonitur werden klassische Bildverarbeitungsverfahren wie Schwellwertfilter, Farbhistogramme oder Clustering genutzt, um räumlich sehr hochauflösende Bilddaten von Drohnenüberfliegungen hinsichtlich relevanter Parameter wie Bedeckungsgrad, lokaler Biomasseabschätzung oder Einzelpflanzenanzahl auszuwerten.
Hierfür werden sowohl bereits bestehende Workflows der Projekt-Partner genutzt, als auch weitere entwickelt.
Das KI-basierte Bonitursystem nutzt ebenfalls die räumlich sehr hochauflösenden Bilddaten der Drohnenüberfliegung zusammen mit den Daten aus der manuellen Bonitur, um damit neuronale Netze hinsichtlich verschiedener Boniturparameter zu trainieren.
Unter anderem wird eine Verfahrensweise entwickelt, mit der sich einzelne Boniturparameter direkt oder indirekt ableiten lassen und es wird untersucht, wie sich daraus ein allgemeinerer Boniturwert ableiten lässt, der mit den klassischen, relativen Boniturskalen vergleichbar ist.
Am Ende des Projektes soll ein KI-basiertes Bonitursystem stehen, welches es ermöglicht, mit Hilfe von Drohnenbefliegungen schnell und unkompliziert für lokale Standorte relevante Bonituren durchzuführen.
Diese Methode kann in Form von Werten oder als Karten an Versuchsansteller, Berater, Landwirte und anderen Praktiker weitergegeben werden.
Das komplexe Domänenwissen soll über die entwickelten Verfahren zur Verfügung gestellt werden und eine flächenhafte Einschätzung der aktuellen Entwicklung des Bestandes ermöglichen.

Förderung:
Das in diesem Bericht zurgrunde liegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 28DK120B20 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.