Forschen für eine umweltgesteuerte, diversifizierte pflanzliche Produktion
Wir entwickeln Technik und Verfahren für die pflanzenbauliche Produktion. In der Bioökonomie liefert pflanzliche Biomasse nicht nur Nahrungs- und Futtermittel, sondern ist auch die Grundlage für biobasierte Stoffe und Energie.
Mit unserer Forschung folgen wir dem Konzept einer umweltgesteuerten, hochgradig diversifizierten agroökologischen Produktion. Hierbei nutzen wir die Vorteile der Digitalen Transformation und unterstützen den Übergang von Präzisionslandwirtschaft zu einem neuen Ansatz "Diversität durch Präzision".
Der Verlust an Biodiversität ist derzeit eines der drängendsten Probleme weltweit. Der gemischte Anbau verschiedener Kulturen auf einer Fläche, also das Zusammenwirken verschiedenster Pflanzen, Tiere und Mikroorganismen in sogenannten Inter- oder Mixed Cropping-Systemen birgt viele Vorteile, u. a. eine verbesserte Resilienz und höhere Gesamterträge.
Für ein agiles Management solch diverser und komplexer Produktionssysteme müssen Maschinen, Sensoren, Kontrollsysteme, Algorithmen und insbesondere die Bewirtschaftungsstrategien angepasst werden. Der systemische Ansatz der Kreislaufwirtschaft erfordert zudem ein besseres Verständnis des Mikrobioms und seiner Wechselwirkungen innerhalb landwirtschaftlicher Systeme.
Unsere Forschung befasst sich mit der Entwicklung von smarten Sensoren zur digitalen Erfassung von Umweltbedingungen und Pflanzenstatus und methodischen Fragen der intelligenten Bildanalyse. Diese digitalen Methoden sollen entscheidende Beiträge zur Weiterentwicklung der sensorbasierten Prozesssteuerung und -automatisierung leisten als Voraussetzung für die komplexen Steuerungssysteme einer zirkulären Bioökonomie.
Eine zentrale Aufgabe liegt in der Entwicklung digitaler Zwillinge für eine wissensbasierte, präzise, dynamische und anpassungsfähige Prozesssteuerung dieser sehr komplexen Systeme.
Für unsere Forschung steht uns u. a. das ATB Fieldlab for Digital Agriculture in Marquardt mit einer Teststrecke für Bodensensoren und einer Installation zur automatisierten Datenerfassung in Obstbaumkulturen. Zudem werden Forschungsarbeiten perspektivisch in den Leibniz-Innovationshof am Standort Groß Kreutz (derzeit im Aufbau) implementiert.
Bodengesundheit

Im Forschungsfokus steht die Weiterentwicklung proximaler Bodensensorik, um alle für eine nachhaltige Pflanzenproduktion relevanten Informationen digital erfassen zu können, sowie die Entwicklung und Anwendung biologischer Sensorsysteme zur Analyse der Bodengesundheit. Ziel ist eine nachhaltige Nutzung und Verbesserung des Bodens.
Pflanzengesundheit

Unser Forschungsfokus liegt auf einem präzisen Pflanzenmonitoring mit Hilfe insbesondere optischer Sensorsysteme wie LIDAR oder Multispektralkameras - im Acker- und im Gartenbau. Daten aus der In-situ-, Nah- und Fernerkundung liefern Informationen über den Zustand von Pflanzen und Krankheitserregern bzw. Schädlingen. Ziel eines präzisen Pflanzenmonitorings ist es, den Pflanzenschutz umweltfreundlich auszugestalten und durch Stärkung der Pflanzengesundheit die Nahrungsmittelversorgung zu sichern.
Automatisierung
Digitalisierung und Robotik sollen langfristig als verlässliche Kontrollsysteme die Vielfalt in der Landwirtschaft unterstützen. In unserem Forschungsfokus stehen die Identifizierung und Entwicklung von Assistenzsystemen sowie von automatisierten und Feldrobotik-Anwendungen. Simulations- und IoT-Technologien kommen zum Einsatz, um Digitale Zwillinge, hochautomatisierte Feldsensorsysteme, Feldmaschinen und Feldrobotik zu entwickeln und zu verbessern.
Systemanalyse und -bewertung
Ziel ist es, die Auswirkungen landwirtschaftlicher Bewirtschaftungsmaßnahmen auf Treibhausgasemissionen, Wasserproduktivität und IKT-Anwendung zu ermitteln sowie ein besseres Verständnis mikrobieller Prozesse zu gewinnen. Rebound-Effekte werden analysiert.
Zu allen Mitarbeiter*innen des Programmbereichs
Aktuelles
Veranstaltungen
Forschungsprojekte
-
In Brandenburg kommen ausgedehnte Niedermoorflächen mit einer großen standörtlichen Vielfalt vor, die jedoch nahezu flächendeckend entwässert sind und fortschreitender Degradierung unterliegen. Es gibt Vorarbeiten zur Wi…
-
Die Diversifizierung von Pflanzenbausystemen in Verbindung mit der Senkung des Einsatzes von Agrochemikalien und einer Erhöhung der Landschaftskomplexität hat das Potenzial, die Biodiversität auf Feld- und Landschaftsska…
-
Das Netzwerk DeepFarmBots KI-basierte Agrarrobotik für eine effiziente und nachhaltige Landwirtschaft soll neue Produkte, Verfahren und Dienstleistungen für den Einsatz von Agrarrobotern in unterschiedlichen Anwendungsb…
-
Im Projekt MIKIM - DeepFarmBots wird ein landwirtschaftliches MIMO-Radar-System mit einer KI-basierten Signalverarbeitung entwickelt, das eine verbesserte Winkel- und Abstandauflösung erreicht und mit einer KI-basierten …
-
Die Herausforderungen der Landwirtschaft sind vielfältig - neben dem ständigen, intensiven Wettbewerbsdruck sehen sich Landwirte mit immer stärkeren Umweltproblemen als Folgen des Klimawandels konfrontiert und sind gleic…
Alle Projekte aus dem Programmbereich
Publikationen aus dem Programmbereich
- Tavakoli, H.; Correa Reyes, J.; Sabetizadeh, M.; Vogel, S. (2023): Predicting key soil properties from Vis-NIR spectra by applying dual-wavelength indices transformations and stacking machine learning approaches. Soil and Tillage Research. (May): p. 105684. Online: https://doi.org/10.1016/j.still.2023.105684 1.0
- Alirezazadeh, P.; Schirrmann, M.; Stolzenburg, F. (2023): Improving Deep Learning-based Plant Disease Classification with Attention Mechanism. Gesunde Pflanzen. (1): p. 49-59. Online: https://doi.org/10.1007/s10343-022-00796-y 1.0
- Salamut, C.; Kohnert, I.; Landwehr, N.; Pflanz, M.; Schirrmann, M.; Zare, M. (2023): Deep Learning Object Detection for Image Analysis of Cherry Fruit Fly (Rhagoletis cerasi L.) on Yellow Sticky Traps. Gesunde Pflanzen. (1): p. 37-48. Online: https://doi.org/10.1007/s10343-022-00794-0 1.0
- Bettoni, M.; Maerker, M.; Sacchi, R.; Bosino, A.; Conedera, M.; Simoncelli, L.; Vogel, S. (2023): What makes soil landscape robust? Landscape sensitivity towards land use changes in a Swiss southern Alpine valley. Science of the Total Environment. (2): p. 159779. Online: https://doi.org/10.1016/j.scitotenv.2022.159779 1.0
- Karimi, H.; Navid, H.; Dammer, K. (2023): A Pixel-wise Segmentation Model to Identify Bur Chervil (Anthriscus caucalis M. Bieb.) Within Images from a Cereal Cropping Field. Gesunde Pflanzen. (1): p. 25-36. Online: https://doi.org/10.1007/s10343-022-00764-6 1.0
- Antonijevic, D.; Hoffmann, M.; Prochnow, A.; Krabbe, K.; Weituschat, M.; Couwenberg, J.; Ehlert, S.; Zak, D.; Augustin, J. (2023): The unexpected long period of elevated CH4 emissions from an inundated fen meadow ended only with the occurrence of cattail (Typha latifolia). Global Change Biology. (13): p. 3678-3691. Online: https://doi.org/10.1111/gcb.16713 1.0
- Dammer, K. (2023): Arbeitstagung Sensorgestützte Erkennung von Schaderregern in Freilandkulturen am Leibniz-Institut für Agrartechnik und Bioökonomie Potsdam-Bornim (ATB), 11. und 12. Mai 2022. Gesunde Pflanzen. : p. 1-4. Online: https://doi.org/10.1007/s10343-022-00799-9 1.0
- Gautam, S.; Höhne, M.; Hansen, S.; Jenssen, R.; Kampffmeyer, M. (2023): This looks More Like that: Enhancing Self-Explaining Models by Prototypical Relevance Propagation. Pattern Recognition. (April): p. 109172. Online: https://doi.org/10.1016/j.patcog.2022.109172 1.0
- Malacrino, A.; Abdelfattah, A.; Belgacem, I.; Schena, L. (2023): Plant genotype influence the structure of cereal seed fungal microbiome. Frontiers in Microbiology. : p. 1-8. Online: https://doi.org/10.3389/fmicb.2022.1075399 1.0
- Balasundram, S.; Shamshiri, R.; Sridhara, S.; Rizan, N. (2023): The Role of Digital Agriculture in Mitigating Climate Change and Ensuring Food Security: An Overview. Sustainability. (6): p. 5325. Online: https://doi.org/10.3390/su15065325 1.0
Alle Publikationen aus dem Programmbereich