Aktuelle Forschungsprojekte

Advanced biodiversity monitoring for results-based and effective agricultural policy and transformation (BioMonitor4CAP)

Fördermittelgeber: Europäische Union, Horizon Europe-Programm

Unsustainable agricultural practices are the main factors affecting habitat and species diversity in the EU's agricultural landscapes. However, peatlands, grasslands, and species associated with agriculture are of greatest concern. The ongoing negative impacts of unsustainable farming practices highlight the need for a fully integrated approach between the EU 2030 Biodiversity Strategy and the Farm to Fork Strategy.

Efficient and representative strategies are needed to monitor and visualize biodiversity loss or recovery over time, as no such results-based monitoring of change currently exists. As part of the BioMonitor4CAP project, affordable and reliable biodiversity monitoring systems and methods are being developed, evaluated, and tested for successful use on agricultural land and in EU-designated Natura 2000 sites. The project combines traditional biodiversity indicator systems with new technological approaches, including acoustic, optical, and molecular systems. The goal is to provide recommendations for adapted management practices, strengthen biodiversity on farms internationally, and support the development of EU biodiversity policies.

Within the project, our group specifically works on machine learning for visual and acoustic data for automating large-scale biodiversity monitoring (link).

Sustainable intensification of food production through resilient farming systems in West & North Africa (SustInAfrica)

Fördermittelgeber: Europäische Union, Horizon 2020-Programm

SustInAfrica is a research project empowering West and North African smallholder farmers and small- and medium-sized enterprises (SMEs) to facilitate sustainable intensification of African farming systems. We aim to develop and deploy a reference framework on best agricultural practices and technologies, based on a systems approach, and successfully verified for their efficacy to intensify primary production in a self-sufficient, sustainable and resilient manner.

Within the project, our group specifically works on smart farming technologies for plant production (WP2). Here, the overall objective is to conceptualise and develop technical tools and solutions to monitor and manage plant performance for sustainable plant production intensification in Africa. In a general sense, we aim to develop a concept for promoting smart, open, and affordable monitoring technologies opting to improve plant production, plant health, water management, and the delivery of ecosystem services (link).

Künstliche Intelligenz zur Erfassung der Atmung bei Milchkühen (KAMI)

Fördermittelgeber: Bundesinstitut für Ernährung und Landwirtschaft (BMEL)

Die Nutzung von KI-Technologien und Erschließung ihrer Potentiale eröffnen neue Möglichkeiten, die Milchproduktion nachhaltig zu intensivieren sowie Ressourcen effizient und wettbewerbsfähig zu nutzen. KI-Werkzeuge und datenbasierte Anwendungen ermöglichen ein besseres Verständnis komplexer Wechselwirkungen zwischen der Haltungsumwelt und der darin lebenden Tiere. Das Tierwohl und die Tiergesundheit werden verbessert, Leistungspotentiale ausgeschöpft und der Medikamenteneinsatz reduziert. Das Projekt "Künstliche Intelligenz zur Erfassung der Atmung bei Milchkühen (KAMI)" entwickelt einen Prototyp zur automatisierten, bildbasierten, individuellen Erfassung der Atmung von Kühen. Die Atmung ist einer der sensibelsten Parameter für Vitalität und Gesundheit und zeigt frühzeitig Abweichungen vom Normalzustand an. Bislang kann die Atmung weder tierindividuell und berührungslos erfasst, noch ausgewertet und in Handlungsempfehlungen übersetzt werden (link).

Modellbildung aus Experimentaldaten: Maschinelles Lernen und Modellevaluierung unter Abhängigkeiten und Verteilungsverschiebungen

Fördermittelgeben: Deutsche Forschungsgemeinschaft (DFG)

Die Analyse experimentell gewonnener Daten bildet eine Säule des Erkenntnisgewinns in den Naturwissenschaften. Sie ermöglicht die Bildung von Modellen, die natürliche Phänomene beschreiben; die Fähigkeit der gewonnenen Modelle, das Verhalten der beobachteten Phänomene vorherzusagen, wird häufig auf der Grundlage experimenteller Daten evaluiert. Allerdings basieren verbreitete methodische Werkzeuge zur Modellbildung und Modellevaluierung auf Unabhängigkeits- und Verteilungsannahmen, die experimentell gewonnene Daten in verschiedener Weise verletzen können. So werden die Verteilungseigenschaften von Experimentaldaten durch die Wahl von Beobachtungsprotokollen und experimentelle Parameter bestimmt; die gewonnenen Daten liefern ein Abbild der Wirklichkeit, das durch den Prozess der Messung und Eigenschaften verfügbarer Sensoren geprägt ist. Ziel des Projektes ist die Entwicklung von Verfahren zur Modellbildung und Modellevaluierung, welche den experimentellen Beobachtungsprozess und die daraus resultierende Verschiedenartigkeit von Natur und Experiment explizit abbilden. Dazu entwickeln wir Ansätze, um Abhängigkeiten und Verteilungsverschiebungen in experimentellen Daten in geeigneter Weise zu korrigieren; wir untersuchen die formalen Eigenschaften der resultierenden Verfahren und die Komplexität der zu lösenden Optimierungsprobleme. Ergebnisse des Projektes sollen die experimentellen Kosten der Modellbildung reduzieren und auf Experimentaldaten gestützte Schlussfolgerungen belastbarer machen. In Zusammenarbeit mit Arbeitsgruppen aus der kognitiven Psychologie und der Geophysik sollen Erkenntnisfortschritte zu exemplarischen naturwissenschaftlichen Modellbildungsproblemen erzielt werden (link).