Wheat Advisor – Standortangepasste Sortenwahl für Winterweizen

• Research unit: FOAG
• Project number: 19.03

Key words (German)

Sortenwahl, Winterweizen, Modellierung gemischter Effekte, digitale Landwirtschaft, maschinelles Lernen

Key words (English)

Variety selection, winter wheat, modelling of mixed effects, digital agriculture, machine learning

Key words (French)

Sélection variétale, blé d'hiver, modélisation des effets mixtes, agriculture numérique, apprentissage machine

Key words (Italian)

Selezione varietale, frumento invernale, modellazione a effetti misti, agricoltura digitale, machine learning

Short description (German)

Die schweizerische Getreidebranche unternimmt seit längerem gemeinsame Anstrengungen zur Verbesserung der Brotweizenqualität. Im Rahmen ihrer Qualitätsstrategiewurde bspw. die Proteinbezahlung für TOP-Weizen eingeführt und weiterentwickelt. Die standortgerechte Weizenproduktion soll vor den bestehenden Anforderungen z.B. betreffend Nachhaltigkeit oder Ressourceneffizienz weiter gefördert werden. Dazu wurde von der Branche dieses Forschungsprojekt initiiert. Die bestehenden Lücken möchte swiss granum zusammen mit den Forschungsinstituten IDIAP (Kernkompetenz künstliche Intelligenz / maschinelles Lernen) und Agroscope schliessen. Mit dem Forschungsprojekt wird eine Methodik entwickelt und getestet, mit welcher die Sortenempfehlung weiterentwickelt wird. Konkret wird mittels datenbasierter Modellierung anhand validierter Versuchsergebnisse die bestehende Charakterisierung der TOP-Weizensorten verbessert. Dadurch werden ein standortgerechter Anbau sowie eine optimierte Düngung durch parzellenspezifische Sortenwahl und N-Düngung gefördert. Mit Hilfe von künstlicher Intelligenz (machine learning) werden Vorhersagen und damit weitere Verbesserungen ermöglicht. Mit der richtigen Sorte am richtigen Standort und der mengenmässig richtigen Düngung resultiert ein optimierter Ertrag für die Landwirte und eine bedarfsgerechte Qualität für die Abnehmer. Von der Verbesserung der Weizenqualität und erhöhten Ressourceneffizienz profitieren neben den Produzenten die ganze Wertschöpfungskette und die Umwelt.

Project aims (German)

Mit dem Gesamtprojekt werden folgende Ziele verfolgt:

Charakterisierung der Qualitätsparameter von ausgewählten TOP-Weizensorten für eine sortenspezifische N-Düngung (TP I)

Modellierung der Qualitätsparameter von ausgewählten TOP-Weizensorten für eine sortenspezifische, feldangepasste N-Düngung basierend auf Fernerkundung und Feldversuchen (TP I)

Verifikation der GeoSys Satellitenbilder mittels Fernerkundung und Modellierung (TP I)

Unter Einsatz von künstlicher Intelligenz (machine learning) und Überprüfung durch Feldversuche (TP II) : 

- Entwicklung von Prädiktionsverfahren und Distanz-/Kernmethoden für den modellierten Ertrag und die Qualitätsparameter / die N-Düngung. Dies ermöglicht eine N-Düngung für neue Sorten, die in Zukunft auf den Markt kommen werden, mit geringem Aufwand bereits bei deren Markteinführung zu empfehlen.

- Modellierung der Qualitätsparameter inkl. Bestandesführung von TOP-Weizensorten (Kultur- und Sortenebene). Da der Stickstoffbedarf je nach Sorte anders sein kann, ist es wichtig eine robuste und zuverlässige Methode zu entwickeln, welche den Bedürfnissen von diversen Sorten Rechnung trägt.

- Entwicklung von „Wheat Advisor“ zur Weiterverwendung der Ergebnisse in der Praxis (z.B. für eine optimierte N-Weizendüngung)

Abstract (German)

Die Erhaltung einer qualitativ hochwertigen Winterweizenproduktion angesichts des Klimawandels und der Forderung nach einer effizienten Ressourcennutzung stand im Mittelpunkt des Projekts Wheat Advisor. Stickstoffdüngung und Wetterbedingungen hatten einen grösseren Einfluss auf den Ertrag als die ausgewählte Sorte innerhalb der TOP-Klasse. Zwischen den Sorten wurden Unterschiede im Proteingehalt festgestellt, insbesondere unter Bedingungen, bei denen das Wachstum stärker von der N-Düngung abhängig war. Diesem Risiko wird durch ein hohes N-Mineralisierungspotenzial und eine gute Bodenstruktur entgegengewirkt. Der endogene N-gehalt ist wichtig, um das Ertrags- und Proteingehaltpotenzial von TOP-Sorten zu erreichen. Die korrigierten Normen (GRUD) entsprechen der Mindest-N-Düngung, die für TOP-Sorten erforderlich ist, und sind Standort angepasst, da sie Boden- und Wetterbedingungen in Bezug auf den verfügbaren N berücksichtigen.

Dabei ist jedoch zu berücksichtigen, dass betreffend Stickstoffbedarf in den geltenden Düngungsnormen die unterschiedlichen Proteinproduktionspotenziale der Weizensorten aktuell nicht berücksichtigt werden. Die Fernerkundung auf der Basis von Drohnen- und Satellitendaten lieferte Vegetationsindizes für den N-Gehalt der Biomasse und den Ertrag. Diese Indizes zeigen die Variabilität der Pflanzenentwicklung im Feld, die in eine Düngungskarte übertragen werden kann. Das grösste Problem ist die Verfügbarkeit wolkenfreier Daten während der Saison.

Zusammenfassend hat Wheat Advisor:

- Tools zur Sortenempfehlung entwickelt, die auf Vorhersagemodellen des maschinellen Lernens basieren, und Landwirte bei der Auswahl geeigneter, standortangepasster und robuster Sorten unterstützen;

- Ein Anwendungsentwurf zur Vorhersage des Proteingehalts einer Sorte in einer Region und einem Jahr, in dem sie nicht angebaut wurde (Steuerungsmechanismus für Getreidesammelstellen und Beratung);

- Publikationen mit den neuesten wissenschaftlichen Erkenntnissen hervorgebracht;

- die Gründung von drei Start-ups in diesem Bereich unterstützt.