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
-
Das AGRO-WELL-Projekt befasst sich mit den herausfordernden und gefährlichen Bedingungen, denen die Arbeitnehmer in der Landwirtschaft ausgesetzt sind, die durch hohe Unfallraten und Gesundheitsprobleme aufgrund von körp…
-
Das Projekt quantiFARM zielt darauf ab, kostengünstige und mobile Sensorsysteme zu entwickeln, um umweltschädliche Emissionen in der Landwirtschaft zu reduzieren. Durch die Erfassung von Pflanzenvitalität und Bodenparame…
-
Die europäischen Böden stehen vor großen gesundheitlichen Herausforderungen: 60-70 % gelten aufgrund von Verschmutzung, Urbanisierung, intensiver Landwirtschaft und Klimawandel als ungesund. Diese Verschlechterung hat sc…
-
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 Verbundvorhaben digiMan zielt darauf ab, digitale Humus- und Nährstoffmanagementsysteme auf modernen Landwirtschaftsbetrieben zu entwickeln und zu erproben. Diese Betriebe arbeiten in vier unterschiedlichen Boden-Kli…
Alle Projekte aus dem Programmbereich
Publikationen aus dem Programmbereich
- Horf, M.; Gebbers, R.; Olfs, H.; Vogel, S. (2024): Effects of Sample Pre-Treatments on the Analysis of Liquid Organic Manures by Visible and Near-Infrared Spectrometry. Heliyon. : p. 27136. Online: https://doi.org/10.1016/j.heliyon.2024.e27136 1.0
- Horf, M.; Gebbers, R.; Olfs, H.; Vogel, S. (2024): Determining Nutrients, Dry Matter, and pH of Liquid Organic Manures Using Visual and Near-Infrared Spectrometry. Science of the Total Environment. (Januar): p. 168045. Online: https://doi.org/10.1016/j.scitotenv.2023.168045 1.0
- Drastig, K.; Zimmermann, B.; Ammon, C.; Jacobs, H. (2024): Water productivity and irrigation water demand of potatoes in Brandenburg (Germany) between 1902 and 2020. Potato Research. (2): p. 0. Online: https://doi.org/10.1007/s11540-024-09734-z 1.0
- Matavel, C.; Meyer-Aurich, A.; Piepho, H. (2024): Model-averaging as an accurate approach for ex-post economic optimum nitrogen rate estimation. Precision Agriculture. (June): p. 1324-1339. Online: https://doi.org/10.1007/s11119-024-10113-4 1.0
- Su, P.; Kang, H.; Peng, Q.; Wicaksono, W.; Berg, G.; Liu, Z.; Ma, J.; Zhang, D.; Cernava, T.; Liu, Y. (2024): Microbiome homeostasis on rice leaves is regulated by a precursor molecule of lignin biosynthesis. nature communications. : p. 1-23. Online: https://doi.org/10.1038/s41467-023-44335-3 1.0
- Navas, E.; Shamshiri, R.; Dworak, V.; Weltzien, C.; Fernandez, R. (2024): Soft Gripper for Small Fruits Harvesting and Pick and Place Operations. Frontiers in Robotics and AI. : p. 1330496. Online: https://doi.org/10.3389/frobt.2023.1330496 1.0
- Darvishi, A.; Yousefi, M.; Schirrmann, M.; Ewert, F. (2024): Exploring biodiversity patterns at the landscape scale by linking landscape energy and land use/land cover heterogeneity. Science of the Total Environment. : p. 170163. Online: https://doi.org/10.1016/j.scitotenv.2024.170163 1.0
- Wicaksono, W.; Mora, M.; Bickel, S.; Berg, C.; Kühn, I.; Cernava, T.; Berg, G. (2024): Rhizosphere assembly alters along a chronosequence in the Hallstätter glacier forefield (Dachstein, Austria). FEMS Microbiology Ecology. : p. 0. Online: https://doi.org/10.1093/femsec/fiae005 1.0
- Bareeva, D.; Höhne, M.; Warnecke, A.; Pirch, L.; Müller, K.; Rieck, K.; Bykov, K. (2024): Manipulating Feature Visualizations with Gradient Slingshots. arXiv. : p. 1-19. Online: https://doi.org/10.48550/arXiv.2401.06122 1.0
- Schmidinger, J.; Schröter, I.; Bönecke, E.; Gebbers, R.; Rühlmann, J.; Kramer, E.; Mulder, V.; Heuvelink, G.; Vogel, S. (2024): Effect of training sample size, sampling design and prediction model on soil mapping with proximal sensing data for precision liming. Precision Agriculture. : p. 1-27. Online: https://doi.org/10.1007/s11119-024-10122-3 1.0
Alle Publikationen aus dem Programmbereich