Landwirtschaft 4.0: Informationssystem für die Schweinehaltung

Die Integration von Daten und die Analytik ist in den vergangenen Jahren immer mehr auch in landwirtschaftlichen Betrieben in den Vordergrund gerückt. Die zunehmende Geschwindigkeit der Entwicklungen im IT-Bereich und speziell im Massendatenmanagement machen es bereits heute möglich, über Algorithmen und maschinelle Lernverfahren in kurzer Zeit bisher unbekannte Zusammenhänge in Daten zu identifizieren, zu analysieren sowie Prognosemodelle zu erstellen. Dies hat auch die Landesregierung von Baden-Württemberg zum Anlass genommen, das Thema in ihrem Koalitionsvertrag (2016-2021) zu verankern und das integrierte Programm „Landwirtschaft 4.0 nachhaltig.digital“ durchzuführen. Anders als in der Pflanzenproduktion sind jedoch in der tierischen Erzeugung die Datensätze nur rudimentär für die automatisierte datengetriebene Analytik erschlossen.

Ziel ist daher die Konsolidierung verteilter und heterogener Datenbestände am Bildungs- und Wissenszentrum Boxberg. Auf Basis einer besser integrierten Datensicht wird eine deutliche Verbesserung des gesamtbetrieblichen oder überbetrieblichen Managements angestrebt. Mit Hilfe der Datenanalytik und maschinellen Lernverfahren soll betrieblicher Mehrwert durch neues Wissen über bislang unerkannte Zusammenhänge aus den Daten generiert werden. Mit diesem Projekt wird daher nicht nur ein Leuchtturmprojekt im Bereich Landwirtschaft 4.0 mit Ausstrahlungseffekt für landwirtschaftliche Betriebe im tierischen Erzeugungsbereich geschaffen, sondern darüber hinaus schafft es für die Besonderheiten der LSZ (z.B. Versuchsanstellungen, Leistungsprüfung) eine essentielle Grundlage zur zielgerichteten Nutzbarmachung des verteilt vorliegenden Datenschatzes.

Um den Datenschatz der LSZ für die Datenanalytik, Wissensgewinnung und den Wissenstransfer zu erschließen, müssen die Datenbestände zuerst in eine Datenplattform überführt werden. Daraufhin können Principal Component Analysis und unüberwachte maschinelle Lernverfahren (z.B. Clustering) zur Exploration der Daten eingesetzt werden. Des Weiteren ermöglichen überwachte maschinelle Lernverfahren die Schaffung von Prognosemodellen mit hoher Genauigkeit. Hierbei wird auf „Künstliche Neuronale Netze“ (insbesondere Deep Learning) zurückgegriffen. Darüber hinaus dienen multivariate Verfahren der Entdeckung und Überprüfung von Zusammenhängen. Zur Umsetzung des Vorhabens sieht das Projekt den Einsatz von Rapid Prototyping-Methoden und agilen Entwicklungsansätzen vor.