KI und die Zukunft der Landwirtschaft

Nach Angaben der Vereinten Nationen lebt fast die Hälfte der Weltbevölkerung in Haushalten, die auf die Landwirtschaft und die Ernährungswirtschaft als Hauptbeschäftigung angewiesen sind. Und da die Weltbevölkerung bis 2050 voraussichtlich von 7,3 Milliarden auf 9,7 Milliarden Menschen ansteigen wird, könnten Wasserknappheit und Ernteausfälle aufgrund des Klimawandels zu einer katastrophalen globalen Nahrungsmittelknappheit führen.

Um mit dem Bevölkerungswachstum Schritt zu halten, muss die Welt die landwirtschaftliche Produktion in den nächsten 25 Jahren um 60 %steigern – und selbst dann könnten immer noch 300 Millionen Menschen Hunger leiden. Gleichzeitig wird erwartet, dass die Erträge der Reihenkulturen aufgrund von Unwettern und Schädlingen um 11 % sinken werden. Derzeit sind in den USA etwa 136 Millionen US-Dollar und etwa 12 Jahre nötig, um eine neue Pflanzeneigenschaft zu entwickeln.

Die Welt heizt sich auf, es gibt immer weniger Süßwasser und die bisher zuverlässigen Ernten werden nicht mehr lange möglich sein. Kann KI dazu beitragen, die drohende Agrarkrise, die uns in den nächsten Jahrzehnten bevorsteht, zu mildern?

Dr. Abhisesh Silwal, ein Systemwissenschaftler an der Carnegie Mellon University, dessen Forschung auf KI und Robotertechnik in der Landwirtschaft liegt, hält das für möglich. „KI könnte zu genaueren und früheren Vorhersagen führen, insbesondere bei der Früherkennung von Krankheiten“, erklärt er. „Außerdem könnte sie dabei helfen, den Speicherbedarf und die Umweltauswirkungen zu reduzieren, indem sie unseren Umgang mit Ressourcen und Energie optimiert.“

Hier sind einige Agritech-Unternehmen und gemeinnützige Organisationen, die daran arbeiten, den Klimawandel zu bekämpfen.

In Tansania nutzt David Guerena, Agrarwissenschaftler am International Center for Tropical Agriculture, KI, um die Pflanzenevolution auf Touren zu bringen.

Guerenas Projekt namens Artemis nutzt KI und Computer Vision, um den Prozess der Phänotypisierung zu beschleunigen. „Die Leute sind nicht gut darin, verlässliche quantitative Schätzungen von Dingen, die wir sehen, abzugeben“, erklärt er. „Es ist für einen Menschen unmöglich, die Blüten von Hunderten von Pflanzen auf Tausenden von Parzellen genau zu zählen. Wir werden müde, verlieren den Fokus oder können einfach physisch nicht alles sehen, was nötig wäre. Ein Computer hat diese Probleme nicht. Gut trainierte Computer-Vision-Modelle liefern sofort konsistente quantitative Daten.“

Als Guerenas Team begann, mit Smartphone-Bildern zu arbeiten, verwendete es Convolutional Neural Networks (CNNs). Sie erledigten die Arbeit, benötigten aber mehr Daten. Um sie zu schulen, waren Tausende von beschrifteten Beispielen nötig, was teuer und zeitaufwändig war. Ihr Ziel war es, Modelle für verschiedene Merkmale (wie das Zählen von Blüten) über verschiedene Nutzpflanzen hinweg zu entwickeln. Dafür waren die CNNs jedoch zu anspruchsvoll.

Vor ein paar Jahren kamen Vision Transformer und Open-Source-Modelle wie YOLO und Segment Anything auf den Markt und veränderten die Rahmenbedingungen, erklärt Guerena. Der Bedarf an gekennzeichneten Daten wurde durch diese Modelle drastisch reduziert. Anstelle von Tausenden von Beispielen für zugeschnittene Bilder benötigen sie jetzt nur noch ein paar Hundert. „Der Vision Transformer und die Foundation-Modelle haben es uns ermöglicht, die Modellentwicklung erheblich zu beschleunigen.“

Guerenas Team arbeitet derzeit daran, Speech to Text und Verarbeitung natürlicher Sprache zusammen mit Computer Vision in die Systeme zu integrieren, die sie entwickeln. Die Interaktion mit Menschen über natürliche Sprache kann helfen, Sprach- und Lesebarrieren zu überwinden, erklärt er. Außerdem kann die Kombination verschiedener Arten von Daten ein umfassenderes Bild der Leistung der Pflanzen auf dem Feld erzeugen. „Die Landwirte selbst können die Sprachfunktion nutzen, um zu beschreiben, mit welchen Herausforderungen sie im Laufe der Saison konfrontiert waren“, sagt er. „Wenn wir diese Daten von Tausenden Betrieben auf der ganzen Welt sammeln, können wir besser erkennen, welchen Einfluss die lokalen Umweltbedingungen auf die Leistung der Vielfalt haben.“

Während sie aufwuchsen, erlebten Max Evans und Himanshu Gupta aus nächster Nähe, welche Auswirkungen unregelmäßige Wettermuster auf ihre Gemeinden hatten. „Max ist auf einer Ananasfarm in Ecuador aufgewachsen und hat daher die Auswirkungen des Klimawandels auf die Ernte aus erster Hand miterlebt“, erzählt uns Gupta. „Ich bin in einem Dorf in Nordindien aufgewachsen, wo wir während Dürren und defizitären Monsunzeiten oft einen Kilometer weit laufen mussten, um sauberes Wasser zu finden.“ 

Diese Erfahrungen hinterließen bei Evans und Gupta bleibende Eindrücke und inspirierten sie, ClimateAi zu gründen. „Während die meisten Technologieunternehmen darauf abzielen, die traditionelle Wettervorhersage zu verbessern, sind diese Zeitrahmen für Landwirte und Lebensmittelunternehmen nicht umsetzbar“, sagt Gupta. „Wir haben Innovationen im Bereich der Vorhersage über zwei Wochen hinaus eingeführt. Mithilfe patentierter, auf Biophysik basierender KI-Ansätze können wir das Risiko extremer Wetterereignisse kostengünstiger, schneller und zuverlässiger vorhersagen als Supercomputermodelle, wie sie von meteorologischen Behörden – einschließlich der NOAA – verwendet werden.“ Auf diese Weise kann ClimateAi Landwirten extrem lokalisierte Wettervorhersagen für einen Tag oder Monate im Voraus liefern. Sie können auch optimale Zeiten für den Anbau und die Ernte bestimmter Pflanzen empfehlen und deren Erträge schätzen.

ClimateAi führte für Landwirte in Maharashtra, Indien, Simulationen durch und kam zu dem Ergebnis, dass extreme Hitze und Dürre in den nächsten zwei Jahrzehnten zu einem Rückgang der Erträge in der Region um etwa 30 % führen werden. Ein Tomatensaatgutunternehmen nutzte diese Erkenntnisse, um Versuche zur Einführung von dürretolerantem Saatgut für Kleinbauern in der Region zu beschleunigen. Zudem haben sie sich mit einem großen Lebensmittel- und Getränkeunternehmen in Indien zusammengetan, um in 300 Dörfern Anpassungshandbücher einzuführen und damit rund 100.000 Kleinbauern zu unterstützen. Die Playbooks bieten Tipps zu den besten Saatgütern, zur Wasserverwaltung und zu den besten Zeiten für das Pflanzen und Ernten. Dies hat zu einer Produktivitätssteigerung von bis zu 40 % geführt.

Das Ziel ist es, die Nahrungsmittel- und Wassersysteme resilient gegen den Klimawandel zu machen und die Lebensbedingungen auf der ganzen Welt zu verbessern, erklärt Gupta. Die Landwirte sind ein entscheidender Teil dieser Systeme: „Sie sind die kritischen Knotenpunkte in der Nahrungsmittel- und Wasserwertschöpfungskette.

Das in North Carolina ansässige Agrotech-Unternehmen Avalo verwendet erklärbare KI (xAI), um die Gene, die mit komplexen Pflanzenmerkmalen verknüpft sind, präzise zu identifizieren. CEO Brendan Collins zufolge ermöglicht Avalo die Verwendung detaillierter genetischer Profile zur Orientierung bei der Züchtung. Dadurch können Pflanzen fünfmal schneller und 50-mal billiger entwickelt werden als bei der Konkurrenz. Ein Projekt, das Avalo in Angriff genommen hat, ist die vertikale Landwirtschaft. Dabei werden das ganze Jahr über Pflanzen in Innenräumen angebaut. Zwar eignet sie sich hervorragend für kontinuierliche Erntezyklen, jedoch fallen hohe Kosten für Energie und Düngemittel an, sodass nur geringe Gewinne erzielt werden.

Wenn diese Betriebe schneller wertvollere Pflanzen anbauen könnten, so Collins, würden sie bessere Gewinne erzielen. Im Moment ist die einzige Ernte, die in ihrem System gut funktioniert, billiger Salat. Avalo hat sich mit einer vertikalen Farm zusammengetan, um Brokkoli anzubauen. Brokkoli ist eine der teuersten Gemüsesorten im Lebensmittelhandel und benötigt im Freien mehr als 120 Tage, um zu wachsen. Sie untersuchten mehr als 500 Brokkolisorten, um eine Version zu kreieren, die in nur 37 Tagen geerntet werden kann. Diese schnelle Ernte hatte auch den Vorteil, dass keine Pestizide benötigt wurden, da der Zeitraum zu kurz war, um Schädlinge zu einem Problem werden zu lassen.

„Pflanzengenome sind verrückt“, sagt Collins. „Sie funktionieren nach anderen Regeln als tierische Genome.“ Er erklärt, dass Tiere kleine, effiziente Genome haben, um Energie zu sparen. Pflanzen hingegen haben große, flexible Genome, da sie sich nicht bewegen können, um Bedrohungen auszuweichen. Im Gegensatz zu den einfachen diploiden Genomen von Tieren haben viele Pflanzen mehrere Genomkopien. So hat Baumwolle vier, Erdbeeren acht und Zuckerrohr sogar zehn. Das macht ihre Untersuchung schwierig. „Wir freuen uns darauf, xAI einzusetzen, um diese komplexen Pflanzengenome zu verstehen.“

Der IBM Sustainability Accelerator arbeitet auch mit Landwirten auf der ganzen Welt zusammen und teilt die Cloud- und KI-Expertise von IBM, um ihnen zu helfen, sich an einen sich verändernden Planeten anzupassen.

„Wir wollen Landwirten dabei helfen, die Daten und KI-Erkenntnisse zu erhalten, die sie benötigen, um angesichts der klimatischen Herausforderungen und Umweltbedrohungen rentabel, produktiv und nachhaltig zu bleiben“, sagt Michael Jacobs, IBM Sustainability and Social Innovation Leader, Corporate Social Responsibility. „In der Folge sind vier unserer fünf Projekte im Landwirtschaftsbereich nun abgeschlossen, wobei etwa 65.300 direkte Begünstigte davon profitieren – Landwirte und ihre Familien, die Technologie einsetzen, um die Erträge zu steigern und ihre Betriebe resilient zu machen. Diese Lösungen können über verschiedene Regionen und Branchen hinweg skaliert werden.“

Hier ist ein kurzer Blick auf einen ihrer Erfolge.

Dürren, Überschwemmungen, extreme Hitze- und Kälteeinbrüche sind nur einige der Auswirkungen des Klimawandels auf Texas, der anhaltende Probleme für seine Landwirte und Viehzüchter verursacht. Es betrifft alle Texaner: Letztes Jahr veröffentlichte das Landwirtschaftsministerium des Bundesstaates einen Bericht, in dem der Klimawandel mit höheren Lebensmittelpreisen und zunehmender Ernährungsunsicherheit in Verbindung gebracht wurde.

David Chapin, ein Landwirt und IBMer in Lampasas, Texas, der mit IBM zusammengearbeitet hat, um Wassermanagementlösungen zu testen, hat mehr als ein Jahrzehnt damit verbracht, die verheerende Wirkung des Klimawandels in seinem Obstgarten zu beobachten. Er begann mit 3.600 Olivenbäumen, die 2021 alle dem Wintersturm Uri zum Opfer fielen. Im Jahr darauf erhielt er einen USDA-Zuschuss, um die Bäume durch Birnen, Pflaumen, Aprikosen und Pfirsiche zu ersetzen, die winterfester waren, aber auch mehr Wasser benötigten – und sein Bewässerungssystem konnte nicht mithalten.

„Da es wichtig ist, die Feuchtigkeit auf der Wurzelebene zu überwachen, nicht nur an der Oberfläche, suche ich nach einer präzisen Methode, um dies zu steuern“, erklärt Chapin. „KI könnte helfen, indem sie den Wasserbedarf in verschiedenen Gebieten analysiert, aber dafür wären zahlreiche unterirdische Sensoren erforderlich. Im Idealfall möchte ich Echtzeit-Bodenzustandskarten und zukünftige Bewässerungsvorhersagen, um die Speicherung besser zu steuern und Engpässe zu vermeiden.“

IBM und Texas A&M AgriLife arbeiten zusammen, um Kleinbauern wie Chapin zu unterstützen. Das Ergebnis ist Liquid Prep, ein Tool, das Landwirten die erforderlichen Informationen darüber liefert, wo und wann sie am effizientesten bewässern sollten. Es ist geplant, die Technologie in trockenen Regionen der USA einzusetzen und zu skalieren.

Liquid Prep verwendet einen IoT-Sensor in Kombination mit einer mobilen Anwendung, die in der IBM Cloud ausgeführt wird. Landwirte können einen Feuchtigkeitssensor im Boden anbringen und ihn mit ihrer mobilen App verknüpfen, um die Bodenfeuchtigkeit zu überwachen, und die Ergebnisse dann zur Analyse hochladen. Das Projektteam erweitert die App derzeit um Wetterdaten, Bodentypen und Entscheidungshilfen für den Zeitpunkt der Bewässerung, damit Landwirte die Bewässerung effektiver steuern können.

„Kleinbauern sind in der Regel technologisch nicht sehr weit fortgeschritten, und das ist ein kritischer Unterschied zu Großbauern“, sagt Chapin. „Aber die Leute wissen, wie man ein Handy und einige Apps benutzt. Liquid Prep ist eine ziemlich einfach zu bedienende App. Sie wird einen großen Unterschied machen.“