| 2429 | Diversifizierte Agrarlandschaftsgestaltung mit vertrauenswürdigem KI-gestütztem Management | Diversified Agricultural Landscape Design with Trustworthy AI-supported Management | 01.05.2024 00:00:00 | 31.10.2026 00:00:00 | laufend | current | Programmbereich 4 „Simulations- und Datenwissenschaften“ | Research Area 4 „Simulation and Data Science“ | x94x83x | Ryo, Masahiro; Stiller, Stefan | x2732x2736x | <div class='ntm_PB4'>PB4</div> | | | 2024 | Diversifizierte Agrarlandschaftsgestaltung mit vertrauenswürdigem KI-gestütztem Management Diversified Agricultural Landscape Design with Trustworthy AI-supported Management Programmbereich 4 „Simulations- und Datenwissenschaften“ Ryo, Masahiro; Stiller, Stefan Drittmittel Research Area 4 „Simulation and Data Science“ current laufend <div class="ExternalClassB3731853EE08438DA70D5EE8B3D94962"><div>Deutschland verfolgt das Ziel einer nachhaltigen, stabilen, widerstandsfähigen und effizienten Nahrungsmittelversorgung im Klimawandel, mit besonderem Fokus auf den Pflanzenschutz und die Gesundheit der Agrarökosysteme. Die Digitalisierung und Diversifizierung der Landwirtschaft spielen dabei eine zentrale Rolle, um den Einsatz von Pflanzenschutzmitteln zu reduzieren und die Effizienz der Bewirtschaftung zu steigern.<br></div><div>Das DivAg-AIM-Projekt soll hierzu einen wesentlichen Beitrag leisten, indem es den Wert der landwirtschaftlichen Diversifizierung für Resilienz und Nachhaltigkeit im Landschaftsexperiment patchCROP demonstriert. Durch den Einsatz von Sensortechnologien und multimodaler, vertrauenswürdiger KI sollen nachhaltige Bewirtschaftungsstrategien gefördert und gleichzeitig die Produktivität erhalten bleiben.</div><div>Die Hauptziele des Projekts sind:</div><div> - Die Überlegenheit des neuartigen Patch-Cropping-Designs gegenüber der konventionellen Feldbewirtschaftung hinsichtlich Produktivität, Klimarobustheit und Pflanzengesundheit bei reduziertem Pestizideinsatz zu demonstrieren.</div><div> - Die Entwicklung eines multimodalen, vertrauenswürdigen KI-Tools, das in der Lage ist, zentrale landwirtschaftliche Parameter wie Produktivität und Pflanzengesundheit basierend auf Bild- und Tabellendaten zuverlässig vorherzusagen und mit den Nutzern in natürlicher Sprache zu kommunizieren.</div><div>Das Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) arbeitet dabei eng mit der Tokyo University of Agriculture and Technology (TUAT) zusammen, um zu erforschen, inwiefern die Kombination von Digitalisierung und Diversifizierung zur signifikanten Reduktion des Pestizideinsatzes beitragen kann, ohne die Erträge zu beeinträchtigen.<br></div><p><br></p></div> <div class="ExternalClass51289033CBD34E3DA7BA71261ABDCB6F"><div>Germany aims to ensure sustainable, stable, resilient, and efficient food provision under climate change, with a particular focus on plant protection and agroecosystem health. Digitalization and diversification of agriculture are essential to reduce the need for plant protection products and improve management efficiency.<br></div><div>The DivAg-AIM project aims to contribute to this goal by demonstrating the value of agricultural diversification for resilience and sustainability in the agricultural landscape experiment patchCROP. By leveraging sensing technologies and multimodal, trustworthy AI, the project seeks to promote sustainable management strategies while maintaining productivity.</div><div>The main objectives of the project are:</div><div> - To demonstrate the superiority of the novel patch cropping design compared to conventional field management in terms of productivity, climatic resilience, and plant health with reduced pesticide use.</div><div> - To develop a multimodal, trustworthy AI tool capable of reliably predicting key agricultural parameters such as productivity and plant health based on image and tabular data, and communicating with users in natural language.</div><div>The Leibniz Centre for Agricultural Landscape Research (ZALF) collaborates closely with the Tokyo University of Agriculture and Technology (TUAT) to investigate how the combination of digitalization and diversification can contribute to a significant reduction in pesticide use without compromising crop yields.<br></div><p><br></p></div> DivAg-AIM <div class="ExternalClassD603CC30-13C1-4E22-94A8-89B0F10AC40C"></div> <div class="ExternalClassCB78CED2-9BE3-4FB1-9364-335625FBB43F"><ul><li>Tokyo University of Agriculture and Technology (TUAT), Japan</li></ul></div> <div class="ExternalClassEE812063-DF19-44F7-949A-0231D01D0E6F"></div> <div class="ExternalClass521E3F1F-7DD5-4206-984B-E4CFC765CB05"><ul><li>Bundesanstalt für Landwirtschaft und Ernährung</li></ul></div> <div class="ExternalClass7C17DAC6-0948-471A-B259-F05A2096D3D3"></div> | <div class="ExternalClassB3731853EE08438DA70D5EE8B3D94962"><div>Deutschland verfolgt das Ziel einer nachhaltigen, stabilen, widerstandsfähigen und effizienten Nahrungsmittelversorgung im Klimawandel, mit besonderem Fokus auf den Pflanzenschutz und die Gesundheit der Agrarökosysteme. Die Digitalisierung und Diversifizierung der Landwirtschaft spielen dabei eine zentrale Rolle, um den Einsatz von Pflanzenschutzmitteln zu reduzieren und die Effizienz der Bewirtschaftung zu steigern.<br></div><div>Das DivAg-AIM-Projekt soll hierzu einen wesentlichen Beitrag leisten, indem es den Wert der landwirtschaftlichen Diversifizierung für Resilienz und Nachhaltigkeit im Landschaftsexperiment patchCROP demonstriert. Durch den Einsatz von Sensortechnologien und multimodaler, vertrauenswürdiger KI sollen nachhaltige Bewirtschaftungsstrategien gefördert und gleichzeitig die Produktivität erhalten bleiben.</div><div>Die Hauptziele des Projekts sind:</div><div> - Die Überlegenheit des neuartigen Patch-Cropping-Designs gegenüber der konventionellen Feldbewirtschaftung hinsichtlich Produktivität, Klimarobustheit und Pflanzengesundheit bei reduziertem Pestizideinsatz zu demonstrieren.</div><div> - Die Entwicklung eines multimodalen, vertrauenswürdigen KI-Tools, das in der Lage ist, zentrale landwirtschaftliche Parameter wie Produktivität und Pflanzengesundheit basierend auf Bild- und Tabellendaten zuverlässig vorherzusagen und mit den Nutzern in natürlicher Sprache zu kommunizieren.</div><div>Das Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) arbeitet dabei eng mit der Tokyo University of Agriculture and Technology (TUAT) zusammen, um zu erforschen, inwiefern die Kombination von Digitalisierung und Diversifizierung zur signifikanten Reduktion des Pestizideinsatzes beitragen kann, ohne die Erträge zu beeinträchtigen.<br></div><p><br></p></div> | <div class="ExternalClass51289033CBD34E3DA7BA71261ABDCB6F"><div>Germany aims to ensure sustainable, stable, resilient, and efficient food provision under climate change, with a particular focus on plant protection and agroecosystem health. Digitalization and diversification of agriculture are essential to reduce the need for plant protection products and improve management efficiency.<br></div><div>The DivAg-AIM project aims to contribute to this goal by demonstrating the value of agricultural diversification for resilience and sustainability in the agricultural landscape experiment patchCROP. By leveraging sensing technologies and multimodal, trustworthy AI, the project seeks to promote sustainable management strategies while maintaining productivity.</div><div>The main objectives of the project are:</div><div> - To demonstrate the superiority of the novel patch cropping design compared to conventional field management in terms of productivity, climatic resilience, and plant health with reduced pesticide use.</div><div> - To develop a multimodal, trustworthy AI tool capable of reliably predicting key agricultural parameters such as productivity and plant health based on image and tabular data, and communicating with users in natural language.</div><div>The Leibniz Centre for Agricultural Landscape Research (ZALF) collaborates closely with the Tokyo University of Agriculture and Technology (TUAT) to investigate how the combination of digitalization and diversification can contribute to a significant reduction in pesticide use without compromising crop yields.<br></div><p><br></p></div> | | | <div class="ExternalClassD8F8DCB9-5DEB-4AB6-BA53-672B04052BC1">Prof. Dr. Masahiro Ryo; Stefan Stiller</div> | Ryo, Masahiro | <div class="ExternalClass12A21893-51C3-4C19-91D7-3601FD886AEC">Prof. Dr. Masahiro Ryo</a></div> | | | | <div class="ExternalClassCB78CED2-9BE3-4FB1-9364-335625FBB43F"><ul><li>Tokyo University of Agriculture and Technology (TUAT), Japan</li></ul></div> | x4550x | | | Bundesanstalt für Landwirtschaft und Ernährung | <div class="ExternalClass521E3F1F-7DD5-4206-984B-E4CFC765CB05"><ul><li>Bundesanstalt für Landwirtschaft und Ernährung</li></ul></div> | | 2 | 2 | | <div class="ExternalClassEE81DC68-3925-4712-A205-81020F781D03"><ul><li>Künstliche Intelligenz für Digitale Landwirtschaft</li></ul></div> | <div class="ExternalClass3F9DF488-AD8D-494E-9CF7-B49E17E14A07"><ul><li>Artificial Intelligence for Smart Agriculture</li></ul></div> |
