Forschen für eine nachhaltige Primärproduktion
Das Forschungspogramm widmet sich der standortangepassten, nachhaltigen Intensivierung im Bereich der primären landwirtschaftlichen Erzeugung bis hin zur Produktgewinnung.
Unsere Forschung reicht von umfangreicher Online-Datenerfassung über die Modellierung bis hin zur Prozessregelung. Technologische und verfahrenstechnische Forschungsaufgaben umfassen u. a. sensorgestützte Technologien für Precision Farming und Precision Horticulture, die Modellierung von Emissionen und des Mikroklimas natürlich belüfteter Stallsysteme sowie Haltungsumwelt-Tierwohl-Interaktion. Die Systembewertung analysiert Wirkzusammenhänge und Effekte in Bezug auf Umwelt und Ökonomie mit den Schwerpunkten Stickstoff, Treibhausgase und Wasser.
Ein Schwerpunkt unserer Forschung liegt in der Entwicklung und Anwendung von Sensoren für die Zustandserfassung bei Böden, Pflanzen und Tieren. Informationen über Nährstoffversorgung, Pflanzenwachstum, Krankheitsdruck, klimatische Bedingungen, Wasserbedarf, Atemfrequenz, Hitzestress, Fruchtreife oder andere Systemparameter können so erfasst werden. In-situ gewonnene Informationen fließen ein in die Entwicklung komplexer physiologischer und physikalischer Modelle, die Online-Analytik ist ein wesentliches Element einer individuellen und flexiblen Prozesssteuerung.
Präzisionspflanzenbau
Für die Bioökonomie ist der Pflanzenbau von zentraler Bedeutung: pflanzliche Biomasse ist nicht nur Nahrungs- und Futtermittel, sondern auch Grundlage für biobasierte Stoffe und Energie.
Die globalen Nachhaltigkeitsziele formulieren die aktuellen Herausforderungen für den Präzisionspflanzenbau: Es geht darum, die Produktivität zu erhöhen und dabei die natürlichen Ressourcen nachhaltig zu nutzen, Biodiversität, Ökosysteme, Bodenfruchtbarkeit und natürliche Habitate zu erhalten, den Einfluss von invasiven Arten zu reduzieren sowie ein umweltgerechtes Management von Chemikalien zu gewährleisten.
Wir arbeiten daher an Lösungen für ein sensorgestütztes lokales Ressourcenmanagement im Präzisionsackerbau und im Präzisionsgartenbau. Ziel unserer Forschung ist es, die Effizienz in der Pflanzenproduktion zu erhöhen, insbesondere durch adaptive Prozesssteuerung und Entwicklung technischer Lösungen für eine individualisierte Pflanzenproduktion, und so den Ressourcenverbrauch, Mitteleinsatz und die Emissionen zu reduzieren.
Innovative Sensortechnologien eröffnen dabei neue Möglichkeiten im Bereich der Erfassung (Informations- und Kommunikationstechnik, Telemetrie und Robotik), Verarbeitung (Big Data) und Analyse von Daten (Genomik, Phänomik und Bioinformatik). Sie sind grundlegende Tools im digitalen Transformationsprozess der Landwirtschaft. Die gewonnenen Informationen fließen in die Entwicklung komplexer physiologischer und physikalischer Modelle ein, die eine präzise Steuerung der Produktionsprozesse im Sinne einer nachhaltigen Intensivierung ermöglichen.
Tierhaltung
Konzepte der Nutztierhaltung sollen die drei Säulen der Nachhaltigkeit Umwelt, Soziales und Ökonomie integrieren. Dies findet teilweise im Spannungsfeld von Interessenkonflikten statt. Während in der Gesellschaft der Wunsch nach mehr Tierwohl und mehr Umweltschutz wächst, müssen gleichzeitig die ökonomischen Überlebensnotwendigkeiten der Landwirte berücksichtigt werden, damit innovative Verfahren Eingang in die Praxis finden können.
Wir richten deshalb unsere anwendungsorientierte Grundlagenforschung in der Tierhaltung auf die Verbesserung von Tierwohl, Haltungsumwelt, Tier- und Umweltschutz sowie Wettbewerbsfähigkeit aus. Unsere Ziele sind: objektive Tierwohlstandards, Konzepte zur Lösung von Umweltkonflikten, transparente Tierhaltung, Akzeptanz beim Verbraucher und regionale Wertschöpfung.
Zu allen Mitarbeiter*innen des Programms Präzisionslandwirtschaft in Pflanzenbau und Tierhaltung
Aktuelles
Veranstaltungen
Forschungsprojekte
-
Der rasante Verlust an Biodiversität und anhaltender Klimawandel sind auch Folge intensiver Landwirtschaft. Gleichzeitig gefährden sie die Landwirtschaft und eine sichere Ernährung. Das Leibniz-Lab „Systemische Nachhalti…
-
Das Leibniz-Lab Pandemic Preparedness greift die drängendsten Fragen zum Umgang mit zukünftigen Pandemien auf. Dabei wird Expertise aus verschiedenen Disziplinen mit Praxiswissen verknüpft, um evidenzbasierte Strategien …
-
FAIRagro vereint die Gemeinschaft der Agrosystemforschung und entwickelt eine maßgeschneiderte, digitale Infrastruktur.
-
Das Ziel des Projektes Explaining 4.0 ist die Entwicklung von Methoden, die einen signifikanten Beitrag zu einem ganzheitlichen -globalen- Verständnis von KI-Modellen leisten. Dabei sind Effizienz (durch a priori Wissen)…
-
Projekt im Rahmen des Mobilitätsförderprogramms des Chinesisch-Deutschen Zentrum für Wissenschaftsförderung mit Forschern der Sun Yat-sen Universität und des ATB bzw. der Universität Potsdam zum Thema Verlässliche künstl…
Alle Projekte aus dem Forschungsprogramm Präzisionslandwirtschaft in Pflanzenbau und Tierhaltung
Publikationen aus dem Programm
- Uhlott, J.; Sennhenn, A.; Möller, M. (2024): FAIRagro Survey: Data quality in the application of agricultural system data. Zenodo. : p. 1-60. Online: https://doi.org/10.5281/zenodo.11612449 1.0
- Lunz, S.; Anderson, J.; Xu, M.; Heinkelmann, R.; Titov, O.; Lestrade, J.; Johnson, M.; Shu, F.; Chen, W.; Melnikov, A.; Mikhailov, A.; McCallum, J.; Lopez, Y.; Abad, P.; Schuh, H. (2024): The impact of improved estimates of radio star astrometric models on the alignment of the Gaia bright reference frame to ICRF3. Astronomy & Astrophysics (A&A). (September 2024): p. 1-23. Online: https://doi.org/10.1051/0004-6361/202142081 1.0
- Kim, J.; Savolainen, T.; Voitsik, P.; Kravchenko, E.; Lisakov, M.; Kovalev, Y.; Müller, H.; Lobanov, A.; Sokolovsky, K.; Bruni, G.; Edwards, P.; Reynolds, C.; Bach, U.; Gurvits, L.; Krichbaum, T.; Hada, K.; Giroletti, M.; Orienti, M.; Anderson, J.; Lee, S.; Sohn, B.; Zensus, J. (2023): RadioAstron Space VLBI Imaging of the jet in M87: I. Detection of high brightness temperature at 22 GHz. arXiv. : p. 1-27. Online: https://doi.org/10.48550/arXiv.2304.09816 1.0
- Kim, J.; Savolainen, T.; Voitsik, P.; Kravchenko, E.; Lisakov, M.; Kovalev, Y.; Müller, H.; Lobanov, A.; Sokolovsky, K.; Bruni, G.; Edwards, P.; Reynolds, C.; Bach, U.; Gurvits, L.; Krichbaum, T.; Hada, K.; Giroletti, M.; Orienti, M.; Anderson, J.; Lee, S.; Sohn, B.; Zensus, J. (2023): RadioAstron Space VLBI Imaging of the Jet in M87. I. Detection of High Brightness Temperature at 22 GHz. The Astrophysical Journal. (1): p. 1-17. Online: https://doi.org/10.3847/1538-4357/accf17 1.0
- Savolainen, T.; Giovannini, G.; Kovalev, Y.; Perucho, M.; Anderson, J.; Bruni, G.; Edwards, P.; Fuentes, A.; Giroletti, M.; Gómez, J.; Hada, K.; Lee, S.; Lisakov, M.; Lobanov, A.; López-Miralles, J.; Orienti, M.; Petrov, L.; Plavin, A.; Sohn, B.; Sokolovsky, K.; Voitsik, P.; Zensus, J. (2023): RadioAstron discovery of a mini-cocoon around the restarted parsec-scale jet in 3C 84*. Astronomy & Astrophysics (A&A). (August): p. 1-29. Online: https://doi.org/10.1051/0004-6361/202142594 1.0
- Hanfeld, P.; Höhne, M.; Bussmann, M.; Hönig, W. (2023): Flying Adversarial Patches: Manipulating the Behavior of Deep Learning-based Autonomous Multirotors. arXiv. : p. 1-6. Online: https://doi.org/10.48550/arXiv.2305.12859 1.0
- Hanfeld, P.; Wahba, K.; Höhne, M.; Bussmann, M.; Hönig, W. (2023): Kidnapping Deep Learning-based Multirotors using Optimized Flying Adversarial Patches. arXiv. : p. 1-7. Online: https://doi.org/10.48550/arXiv.2308.00344 1.0
- Hedström, A.; Weber, L.; Lapuschkin, S.; Höhne, M. (2023): Sanity Checks Revisited: An Exploration to Repair the Model Parameter Randomisation Test. arXiv. : p. 1-19. Online: https://arxiv.org/abs/2401.06465 1.0
- Janke, D.; Bornwin, M.; Coorevits, K.; Hempel, S.; van Overbeke, P.; Demeyer, P.; Rawat, A.; Declerck, A.; Amon, T.; Amon, B. (2023): A low-cost wireless sensor network for barn climate and emission monitoring. Atmosphere. (14): p. 1643. Online: https://www.mdpi.com/2073-4433/14/11/1643 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
Alle Publikationen aus dem Forschungsprogramm Präzisionslandwirtschaft in Pflanzenbau und Tierhaltung