KI: Der Beginn einer neuen Ära der Lebensmittelherstellung?
Von Berenice Di Biase , 26.04.2024
Die Landwirtschaft steht vor beispiellosen Herausforderungen. Um nur einige zu nennen: unvorhersehbares und extremes Wetter aufgrund des Klimawandels, ökologische Degradation und Verlust der Biodiversität, steigende Nahrungsmittelnachfrage aufgrund einer wachsenden Bevölkerung. Um die landwirtschaftliche Produktion aufrechtzuerhalten, ohne die Klima- und Umweltbedrohungen zu verschärfen, müssen innovative Lösungen eingesetzt werden. Eine davon ist künstliche Intelligenz (KI). Das Aufkommen der KI hat es uns ermöglicht, große Datensätze in allen Formen und Größen zu analysieren und daraus zu lernen, was die Entwicklung der Präzisionslandwirtschaft zur Optimierung des landwirtschaftlichen Managements beschleunigt.
Satellitendaten für Entscheidungsfindung
Ein widerstandsfähiges und nachhaltiges globales Ernährungssystem ist zweifellos auf die Wiederherstellung und den Erhalt der Bodengesundheit angewiesen. Böden sind extrem heterogen; selbst auf kleinen räumlichen Skalen variieren die physikalisch-chemischen und biologischen Eigenschaften des Bodens stark. KI bietet die Möglichkeit, die Produktivität zu steigern, indem von einem universellen Ansatz zu einem bodenzentrierten Präzisionsansatz übergegangen wird, wenn es um den Einsatz landwirtschaftlicher Betriebsmittel, Bewässerung und Anbausysteme geht.
Moderne Satellitenmissionen bieten eine Fülle öffentlich zugänglicher Daten, die zur Überwachung der Bodengesundheit genutzt werden können. Beispielsweise bietet der europäische Sentinel-2 hochauflösende Daten (10 Meter x 10 Meter) von einem multispektralen Bildsensor mit 13 Spektralbändern. Diese einzelnen Spektralbänder können kombiniert werden, um ein Signal abzuleiten, das spezifische Bodeneigenschaften und Bodenparameter wie Bodenfeuchtigkeit, organischen Kohlenstoffgehalt und Nährstoffgehalte vorhersagen kann.
Durch die Integration dieser Daten mit KI-Algorithmen können detaillierte Bodenkarten erstellt werden, die Echtzeiteinblicke in die Bodenbedingungen über weite landwirtschaftliche Flächen hinweg bieten. Diese Karten ermöglichen es Landwirt:innen, die genaue Menge an Düngemitteln, Wasser und anderen Betriebsmitteln genau dort anzuwenden, wo sie benötigt werden, wodurch Abfall reduziert und die Erträge gesteigert werden. Darüber hinaus unterstützt die KI-gesteuerte Überwachung der Bodengesundheit die frühzeitige Erkennung von Bodendegradation, wodurch rechtzeitige Maßnahmen ergriffen werden können, um langfristige Schäden zu verhindern und nachhaltige Anbaumethoden zu fördern.
Ertrags- und ökologisches Management: Präzise Pestizidanwendung
Es wird geschätzt, dass jährlich 20-40% der globalen Erträge durch Schädlinge und Krankheitserreger verloren gehen, was die Ernährungssicherheit gefährdet und die Nahrungsmittelungleichheit verschärfen kann. Pflanzenschutzmittel bieten bei richtiger Anwendung einen entscheidenden Schutz gegen Ertragsverluste.
Der weltweite Pestizideinsatz wächst stetig und hat sich seit den 90er Jahren mehr als verdoppelt. Im Jahr 2021 schätzte die FAO den gesamten globalen Verbrauch an Pestizidwirkstoffen auf 3,5 Millionen Tonnen, was dem Gewicht von über 600.000 Elefanten entspricht. Der übermäßige Einsatz von Pflanzenschutzmitteln wie Pestiziden birgt mehrere ökologische Bedrohungen. Unangemessene Pestizidnutzung wurde mit Biodiversitätsverlust, Rückgang der Bestäuber und Kontamination von Böden und Grundwasser in Verbindung gebracht – wodurch die langfristige Nachhaltigkeit und Produktivität unserer Ernährungssysteme sowie die menschliche Gesundheit gefährdet werden könnten.
Eine Lösung zu finden, die darauf abzielt, den Pestizideinsatz zu reduzieren und gleichzeitig die Ertragsstabilität, den Umweltschutz und ein nachhaltiges und regeneratives Ernährungssystem zu fördern, ist nicht trivial. Die Reduktion von Pestizidspritzungen während der Anbauperiode könnte die Erträge mindern, während die Verringerung der angewendeten Dosis die Wirksamkeit des Produkts verringern und das Risiko einer genetischen Resistenz der Schädlinge gegen das Produkt erhöhen könnte. Wie könnte hier eine Lösung aussehen? Vielleicht liegt die Antwort in der Technologie, denn der Pestizideinsatz könnte durch die Einführung gezielterer Anwendungsschemata reduziert werden.
Fortschrittliche Algorithmen auf Basis von Bilderkennung, die durch KI unterstützt werden, ermöglichten die Entwicklung von auf Traktoren montierten Herbizidspritzern, die Unkräuter innerhalb eines Sekundenbruchteils erkennen und mit Herbizid besprühen. Obwohl die Unkrauterkennung auf Bildanalyse die am weitesten entwickelte Anwendung ist, können diese Spritzgeräte darüber hinaus mit hochmodernen KI-Systemen und Sensoren ausgestattet werden, die eine präzise Anwendung von Pestiziden, Herbiziden und Düngemitteln gewährleisten. Durch den Einsatz von Variable Rate Technology (VRT) können diese Spritzgeräte die Menge der aufgebrachten Chemikalien basierend auf Echtzeitdaten zu Bodenbedingungen, Feuchtigkeitsgehalt und Schädlingsvorkommen anpassen. GPS-Leitsysteme verbessern die Genauigkeit weiter, indem sie es den Landwirt:innen ermöglichen, Felder gleichmäßig ohne Überlappungen oder ausgelassene Stellen zu bearbeiten. Zusätzlich sammeln und analysieren diese Spritzgeräte während des Betriebs Daten, die Erkenntnisse liefern, die zukünftige Anwendungen verfeinern, Abfall reduzieren und die Umweltauswirkungen minimieren.
Mit der Zeit Schritt halten: KI-gesteuerte Entwicklung neuer Pflanzenschutzmittel
Geläufige Pestizide haben normalerweise ein breites Spektrum an Zielorganismen, was bedeutet, dass sie bei Anwendung auch Organismen jenseits des beabsichtigten Schädlings beeinflussen können. Breitbandpestizide, obwohl effektiv gegen eine Vielzahl von Schädlingen, stellen erhebliche Risiken für Nichtzielorganismen dar, einschließlich essentieller Bestäuber wie Bienen. Die unterschiedslose Natur dieser Chemikalien hat zur Folge, dass sie nicht zwischen schädlichen Schädlingen und nützlichen Organismen unterscheiden, was zu erheblichen ökologischen Störungen führen kann.
Um hier ein Beispiel zu geben: Organophosphat-basierte Pestizide sind eine der am häufigsten verwendeten Pestizidklassen. Der primäre Wirkmechanismus von Organophosphat-Insektiziden ist die Hemmung eines biochemischen Prozesses, der bei vielen Organismen geläufig ist. Das Pestizid hemmt das Enzym Acetylcholinesterase, was zur Akkumulation von Acetylcholin führt, einem Schlüsselneurotransmitter, der für die Funktion des Nervensystems entscheidend ist, und tötet schließlich das Insekt. Da der biochemische Weg, der ins Visier genommen wird, über verschiedene Lebensformen hinweg konserviert ist, können diese Organophosphate, wenn sie aufgenommen werden, auch die Tierwelt schädigen.
Jedoch unterliegt die Entwicklung von Pflanzenschutzmitteln sowohl methodisch als auch ideologisch einem Wandel. Es gibt eine wachsende Nachfrage nach Pestiziden, deren Wirkprinzip biochemische Wege ins Visier nimmt, die nur bei den Zielschädlingen verbreitet sind, wodurch negative Auswirkungen auf breitere Organismen reduziert werden. Ähnlich wie die Wirkstoffentdeckung in der Pharmaindustrie hat KI die Entwicklung und Entdeckung von Pflanzenschutzmitteln revolutioniert. Durch den Einsatz von KI und maschinellem Lernen können Wissenschaftler:innen große Chemikalienbibliotheken durchsuchen und kleine Moleküle identifizieren, die speziell auf Schädlinge abzielen, ohne Nichtzielorganismen zu beeinträchtigen.
KI-gesteuerte Methoden rationalisieren den Pestizid-Entdeckungsprozess durch die computergestützte Durchsuchung umfangreicher virtueller Bibliotheken. Maschinelle Lernmodelle, insbesondere solche, die auf DNA-kodierten kleinen Molekülbibliotheken trainiert sind, analysieren Bindungsaffinitäten und strukturelle Muster, um vielversprechende Kandidaten vorherzusagen. Diese Modelle nutzen eine neue Generation der Sequenzierung, die eine schnelle und effiziente Identifizierung von Molekülen mit gewünschten Eigenschaften ermöglicht. Folglich kann KI subtile Muster und Interaktionen entdecken, die menschlicher Analyse entgehen könnten, wodurch die Präzision der Zielmolekülauswahl verbessert wird. Dieser Ansatz beschleunigt nicht nur die Entwicklung umweltfreundlicher Pestizide, sondern reduziert auch erheblich Kosten und Zeit, was ihn zu einer wichtigen Innovation in der nachhaltigen Landwirtschaft macht.
Fazit
Zusammenfassend bietet die Integration von künstlicher Intelligenz in die Landwirtschaft eine transformative Möglichkeit, die Herausforderungen zu bewältigen, denen der Sektor heute gegenübersteht. Von der Optimierung der Bodengesundheit und der Steigerung der Ernteerträge bis hin zur Reduzierung des Pestizideinsatzes und der Entdeckung sichererer Pflanzenschutzprodukte stehen KI-gesteuerte Technologien an der Spitze der nachhaltigen und präzisen Landwirtschaft.
Wenn wir in die Zukunft blicken, wird der fortgesetzte Fortschritt und die Einführung von KI in der Landwirtschaft entscheidend sein, um die wachsenden Nahrungsmittelbedürfnisse einer expandierenden Weltbevölkerung zu erfüllen und gleichzeitig die negativen Auswirkungen des Klimawandels und der ökologischen Degradation zu mindern. Wir bei Soilytix reiten auf dieser Welle des technologischen Wandels. Wir nutzen KI, um zu verstehen, wie die landwirtschaftliche Produktivität auf Feldebene durch gezielte Interventionen verbessert und gleichzeitig unsere Böden geschützt werden können. Außerdem entwickeln wir unsere eigenen Fernerkennungsalgorithmen, um Bodenbeprobungsstrategien zu verbessern und effizienter zu gestalten.
Durch die Nutzung dieser technologischen Innovationen können wir den Weg für ein widerstandsfähigeres, nachhaltigeres und gerechteres globales Lebensmittelsystem ebnen.
Quellen:
- Douglas, M. R. et al. Putting pesticides on the map for pollinator research and conservation. Sci Data 9, 571 (2022).
- Kashani, M., Ghorbani, M. A., Shahabi, M., Naganna, S. R. & Diop, L. Multiple AI model integration strategy—Application to saturated hydraulic conductivity prediction from easily available soil properties. Soil and Tillage Research 196, 104449 (2020).
- Lushchak, V. I., Matviishyn, T. M., Husak, V. V., Storey, J. M. & Storey, K. B. Pesticide toxicity: a mechanistic approach. EXCLI J 17, 1101–1136 (2018).
- McCloskey, K. et al. Machine Learning on DNA-Encoded Libraries: A New Paradigm for Hit Finding. Med. Chem. 63, 8857–8866 (2020).
- Savary, S. et al. The global burden of pathogens and pests on major food crops. Nat Ecol Evol 3, 430–439 (2019).
- Sun, Z., Liu, F., Wu, H. & Zhang, G.-L. Developing a national black soil map of China through machine learning classification. CATENA 240, 107993 (2024).
- Zanin, A. R. A. et al. Reduction of pesticide application via real-time precision spraying. Sci Rep 12, 5638 (2022).
- https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2/Introducing_Sentinel-2
- https://www.fao.org/pest-and-pesticide-management/about/understanding-the-context/en/
- https://www.unep.org/news-and-stories/story/bees-bans-and-broad-spectrum-pesticides