Landwirt*innen haben neben ihrer eigentlichen Tätigkeit auf dem Hof zahlreiche gesetzliche und einzelvertragliche Pflichten zu erfüllen. Sie müssen regelmäßig Daten aus der Nutztierhaltung oder dem Pflanzenbau an staatliche Institutionen liefern und auch Kund*innen verlangen immer mehr Transparenz. Im Pflanzenbau sind es z. B. Daten zur Bodenanalyse, zur Aussaat oder zum Verbrauch von Pflanzenschutzmitteln. Bei der Tierhaltung sind es u. a. Daten zum Futterverbrauch, zur Arzneimittelvergabe und zur Haltung. Die Erfassung, Speicherung und Weiterleitung dieser Daten kann durch moderne Informations- und Kommunikationstechnologien automatisiert werden. Diese Technologien erfassen und verarbeiten kontinuierlich Daten, die in verschiedenen Systemen und Plattformen gespeichert werden. Die Herausforderung dabei ist, diese Daten zwischen den verschiedenen Akteuren (Landwirt*innen, Maschinen, Lohnunternehmen, Behörden, etc.) auszutauschen und Dokumentationspflichten zu vereinfachen. Dabei sind Aspekte des Datenschutzes und der Datenhoheit zu berücksichtigen und technisch umzusetzen. Die Wissenschaftler*innen des Zukunftslabors Agrar arbeiten mit Anwendungsfällen aus der Tierhaltung (Masthühner, Legehennen, Milchvieh und Schweine) und dem Pflanzenbau (Mais, Zuckerrübe und Grünland), da diese für Niedersachsen besonders relevant sind.
Datenbank für gesetzliche Anforderungen in der Landwirtschaft
Dieses Jahr analysierten die Wissenschaftler*innen zunächst, welche Datenflüsse innerhalb der Wertschöpfungsketten Milchvieh, Masthuhn, Mastschwein und Zuckerrüben fließen und welche Stakeholder darin involviert sind. Zur Identifikation der Stakeholder führten sie eine Literaturrecherche sowie Interviews mit Landwirt*innen und Software-Anbietern durch. Als Ergebnis entstanden Grafiken, die die Datenflüsse unter den Stakeholdern darstellen. Sie zeigen, wo viele bzw. wenige Daten fließen und an welcher Stelle Datenflüsse verbessert werden könnten, um eine Rückverfolgbarkeit zu gewährleisten. Rückverfolgbarkeit meint in diesem Fall z. B. die Kennzeichnung von Frischfleisch, anhand derer der Ursprung und die Haltung nachvollzogen werden kann. Das Ziel eines optimierten Datenflusses ist es, den Beteiligten die Arbeit zu erleichtern und somit auch eine effizientere Produktion zu ermöglichen. Die Auswertung verdeutlicht, dass in den verschiedenen Wertschöpfungsketten zwar ähnliche Stakeholder involviert sind (z. B. Zulieferer, Behörden, Großhandel), die Datenflüsse aber keinesfalls gleich sind. Darüber hinaus ergab die Analyse, dass bei der Tierhaltung viele gleiche Daten erhoben werden (z. B. Futterverbrauch, Tieraktivität, Umweltdaten des Stalles). Diese weichen stark von den Datenarten ab, die im Pflanzenbau anfallen (z. B. Bodenanalysen, Daten zur Aussaat, Niederschläge).
Zu den identifizierten Stakeholdern gehören auch Aufsichtsbehörden und Kontrollinstanzen, die in unterschiedlichen Gesetzestexten Anforderungen an Landwirt*innen stellen. Im vergangenen Jahr hatten die Wissenschaftler*innen des Zukunftslabors Agrar bereits damit begonnen, niedersächsische, deutsche und europäische Gesetzestexte auszuwerten. Diese Arbeit setzten sie dieses Jahr fort, mit dem Ziel, eine Datenbank zu entwickeln. Diese Datenbank soll die geltenden Gesetze übersichtlich und verständlich darstellen, redundante Anforderungen und Datenflüsse identifizieren, Anträge und Berichte standardisieren sowie Formulare für gesetzliche Aufzeichnungspflichten bereitstellen. Auf Basis der entwickelten Liste mit Gesetzen, die für die Wertschöpfungsketten relevant sind, identifizierten die Wissenschaftler*innen die gesetzlich vorgegebenen Datenflüsse. Anschließend kategorisierten sie die Gesetzesanweisungen. Die ausgewählten Kategorien charakterisieren die – laut Gesetzgebung – mit Datenflüssen verbundenen Beziehungen und definieren so die Funktionalität der Datenaustauschplattform. Diese ausgewählten Kategorien sind: zum einen die Anweisungskategorie (Anwendungsbereich, Begriffsbestimmung, Technologischer Standard, Antrag, Anzeige, Aufzeichnung, Urkunde), zum anderen die Anweisungsart (Einhaltung, Aufbewahrung, Übermittlung), sowie die Datenkategorie (qualitativ, quantitativ) und schließlich die Form (standardisierte oder formlose Anzeige, Aufzeichnung, Bescheinigung, Gutachten, etc.). Auf diese Weise entstand eine umfangreiche Datenbank.
Die Datenbank, die wir aus den Gesetzestexten erarbeitet haben, ist bewusst offen gestaltet, um zukünftig noch weitere Gesetzestexte einpflegen zu können. Aus der Datenbank kann perspektivisch eine Online-Plattform entstehen, die verschiedene Zielgruppen zur Datenübermittlung und Datenaufbewahrung nutzen können. Dazu zählen Landwirt*innen, aber auch Kontrollbehörden. Für die Plattform haben wir eine Benutzeroberfläche entworfen, die wir mit ausgewählten Stakeholder-Gruppen testen und weiterentwickeln werden. Außerdem werden wir bei der Software-Entwicklung Aspekte der Datensicherheit integrieren.
Daten als Grundlage für Spot Farming, autonome Fahrzeuge und Tierwohl
Daten aus dem landwirtschaftlichen Betrieb sind nicht nur dafür da, gesetzliche Pflichten zu erfüllen, sie dienen auch als Grundlage, um autonome Fahrzeuge auf dem Hof einzusetzen, das Tierwohl mithilfe von Sensorik sicherzustellen und zu verbessern und neue Verfahren des Pflanzenanbaus zu ermöglichen. Spot Farming ist ein neue – bisher experimentelle – Form des Pflanzenanbaus, bei der die Grundbedürfnisse der Kulturpflanzen intensiver als bisher im Fokus stehen. Der heterogene Acker wird dafür in kleine Bereiche mit gleichen Eigenschaften eingeteilt und mithilfe von autonomen Maschinen standort- und einzelpflanzenspezifisch bewirtschaftet. Ziel ist die nachhaltige Intensivierung des Pflanzenbaus, d. h. mit weniger Input an Dünge- und Pflanzenschutzmitteln mehr Ertrag zu erwirtschaften. Die Wissenschaftler*innen des Zukunftslabors Agrar untersuchen die Datengrundlage, die für die Einteilung der Spots notwendig ist. Dabei fanden sie heraus, dass eine Kombination aus Bodenschätzungskarten, Bodenkarten, digitale Geländemodelle und Run-Off-Daten eine gute Grundlage bieten. Bodenschätzungskarten stellen nützliche Informationen über die Bodenart bereit, Bodenkarten geben Aufschluss über den Bodentyp, digitale Geländemodell liefern ein Relief der Landschaft im zehn-Meter-Raster und Run-Off-Daten informieren über Oberflächenabflussdaten. Satellitendaten und Ertragsdaten wurden bisher nicht in die Generierung einbezogen, bieten jedoch das Potenzial im weiteren Vorgehen als Zusatzinformationen genutzt werden zu können.
Um zu prüfen, ob sich die Kartendaten für die Einteilung des Landes in Spots eignen, führten die Wissenschaftler*innen eine Befragung bei Landwirt*innen durch. Mithilfe eines Fragebogens ermittelten sie, inwiefern die beschriebenen Karten mit der Realität auf ihrem Hof übereinstimmen. Das Ergebnis: Die Datengrundlage stimmte gut bis sehr gut mit den Bedingungen vor Ort überein. Teilweise waren die Karten nicht ausreichend hochauflösend (z. B. bei Senkungen auf dem Feld, wo sich Wasser sammeln kann), aber die Datengrundlage war dennoch gut geeignet, um die Bedingungen auf dem Feld real darzustellen. Im weiteren Projektverlauf werden die Wissenschaftler*innen weitere Parameter in die Generierung von Spots einbeziehen, z. B. die Fahrgassenplanung (Wo fahren die Maschinen/Roboter?), Biodiversitätselemente (Wie können diese im Spot integriert werden?), Größe der Spots (Wie groß sollte ein Spot sein, um sinnvoll bewirtschaftet werden zu können?).
Die Daten, die fürs Spot Farming relevant sind, bilden die Wissenschaftler*innen in einer Simulationsumgebung ab. Dadurch können sie die wechselseitige Beeinflussung verschiedener Parameter (z. B. der Einfluss von Unkrautverbreitung auf den Ertrag) darstellen und den Einsatz neuartiger Maschinen- und Anbaukonzepte simulieren. Hier stellt sich die Frage, welche Spotgröße in Abhängigkeit der Konzepte und der Bodenart sinnvoll ist.
Wir bilden in der Simulation real existierende landwirtschaftliche Betriebe des Ackerbaus ab, dazu gehören unter anderem die Betriebsstellen, eingesetzte Maschinen und zugehörige Felder. Das verbindende Element stellen die einzelnen Prozessketten für die angebauten Feldfrüchte dar wie Getreide und Hackfrüchte. Davon ausgehend simulieren wir, welche Auswirkungen und Mehrwerte das Spot Farming auf den Maschinenpark und neue -konzepte hat. In Betracht kommen Drohnen- und Roboterschwärme, aber auch die Veränderung des bestehenden Maschinenportfolios. Die Kernidee des Spot Farmings ist es, pflanzenbauliche und technische Aspekte gemeinschaftlich unter den Nachhaltigkeitsaspekten zu optimieren.
Parallel dazu erstellen die Wissenschaftler*innen den digitalen Zwilling eines Roboters (BoniRob) und eine Applikation zur mechanischen Unkrautregulierung, sowie die Modelle von Feldern und Gebäuden eines realen landwirtschaftlichen Hofes. Mithilfe dieser Modelle, können sie verschiedene Forschungsaspekte simulieren. In der 3D-Simulationsumgebung werden drei Navigationsmodi getestet. Im ersten Modus nimmt der Roboter bei der ferngesteuerten Überfahrt auf dem Feld die Ortsinformationen des GPS-Moduls (Global Positioning System) auf und navigiert dann im zweiten Schritt autonom exakt auf derselben Strecke. Im zweiten Modus werden einzelne GPS-Positionen in einem GIS (Graphical Information System) gesetzt und von dem virtuellen Roboter nacheinander angefahren. Bei jedem dieser Punkte findet dann eine Messung, wie z.B. eine Bodenprobeentnahme oder eine Bodenfestigkeitsmessung, statt. Im dritten Modus wird Mais in Reihen auf dem Feld ausgebracht und mit GPS-Daten versehen, sodass der Roboter die Maispflanzen autonom abfahren und zur Unkrautregulierung eingesetzt werden kann. Diese drei Anwendungsfälle können von der Simulation direkt auf den realen „BoniRob“ übertragen werden, um dann die Funktionen im weiteren Verlauf auf dem Testfeld zu prüfen.
Das Modell des Hofes diente den Wissenschaftlicher*innen auch dazu, die Roboternavigation auf dem Hof und zwischen den Feldern zu analysieren. Sie fügten in der Simulation Informationen über die Beschaffenheit des Bodens hinzu (z. B. Gras, Schotter, Pflastersteine, Beton) und versahen diese mit Kosten. Wenn der Roboter z. B. über eine Grasfläche fährt, dann entstehen ggf. Kosten für die Wiederherstellung des Grases. Auf diese Weise erstellten die Wissenschaftler*innen Navigationskarten, die dem Roboter mitteilen, auf welchem Untergrund sie fahren sollen. In die Simulation können auch spontane Ereignisse wie Niederschlag aufgenommen werden, die sich auf den Boden auswirken und damit ggf. die Fahrt des Roboters beeinflussen. Die Wissenschaftler*innen testeten verschiedene Szenarien (z. B. von Feld A zu Feld B fahren und dabei wahlweise einen Schotterweg oder einen asphaltierten Weg nutzen).
Daten aus der landwirtschaftlichen Praxis können z. B. auch für die Erhebung und Bewertung des Gesundheitszustandes von Tieren genutzt werden. Insbesondere sensor- und bildgestützte Verfahren ermöglichen es, verändertes Verhalten frühzeitig zu erkennen und kritischen Entwicklungen vorzubeugen. Am Anwendungsfall Masthuhn untersuchen die Wissenschaftler*innen den Einsatz von Kameras, die im Stall z. B. die Verteilung und Bewegung der Hühner erfassen, und Sensoren, die Informationen über das Stallklima liefern. In diesem Zusammenhang prüfen die Wissenschaftler*innen zunächst, was der Normalzustand bezüglich Bewegung, Gewicht, Gefieder, etc. ist, welche Abweichungen normal sind und ab wann sie auffällig werden. Im nächsten Schritt prüfen sie die technisch erhobenen Daten auf ihre Plausibilität (lückenlose Datenerfassung, Ausreißerdaten, etc.).
Die Digitalisierung kann als unterstützende Komponente im Bestandsmanagement für die Sicherstellung von tiergerechten Haltungssystemen eine enorme Chance sein. Über Sensoren und Kameras ist es möglich, Verhaltensstörungen wie z. B. Federpicken rechtzeitig zu erkennen und entsprechende Maßnahmen einzuleiten. Somit kann ein valides Frühwarnsystem aufgebaut werden. Wichtig dabei ist, die Indikatoren für verändertes Verhalten der Tiere richtig zu wählen und die Messungen der Sensoren und Kameras korrekt zu interpretieren. Problematisch wird es, wenn die Daten aus dem Betrieb missbraucht werden, indem z. B. Laien bzw. Personen ohne ausreichende Fachkenntnis die Informationen falsch interpretieren und dadurch sowohl dem Tierhalter als auch der Branche schaden.
Literaturrecherche zur Nachhaltigkeit landwirtschaftlicher Wertschöpfungsketten
Digitalisierung darf kein Selbstzweck sein, sondern muss landwirtschaftliche Betriebe nachhaltig voranbringen, sowohl in wirtschaftlicher als auch in ökologischer sowie sozialer Hinsicht. Bisher gibt es jedoch kaum wissenschaftliche Ergebnisse dazu, wie sich die Digitalisierung auf die Nachhaltigkeit landwirtschaftlicher Prozesse und gleichzeitig auf die Arbeitsbedingungen, die Gesellschaft und den ländlichen Raum auswirkt.
Die Wissenschaftler*innen des Zukunftslabors Agrar betrachten die Nachhaltigkeit aus dem ökonomischen, ökologischen und sozialen Blickwinkel (die drei Säulen der Nachhaltigkeit). Außerdem analysieren sie die Auswirkungen der Digitalisierung auf die Landwirtschaft mit einer lebenszyklusbasierten Nachhaltigkeitsbewertung (Life Cycle Sustainability Assessment). Das bedeutet, dass sie digitale Technologien über ihren gesamten Lebenszyklus hinweg betrachten – von der Herstellung über den Einsatz auf dem Hof bis hin zur Entsorgung. Die Wissenschaftler*innen legen ihren Schwerpunkt dabei auf die Wertschöpfungskette Zuckerrübe und insbesondere auf den dortigen Einsatz digitaler Technologien, wie z. B. Feldrobotik zur Unkrautbekämpfung.
Da es zu komplex wäre, die gesamte Wertschöpfungskette der Zuckerrübe zu betrachten, grenzten die Wissenschaftler*innen ihre Untersuchungen ein. Im Austausch mit Expert*innen kristallisierte sich heraus, dass zunächst die Betrachtung des Ökolandbaus im Zuckerrübenanbau am sinnvollsten ist, da hier die größten Einsparpotentiale zu erwarten sind. Außerdem entschieden sich die Wissenschaftler*innen dafür, die Prozessschritte vom Anbau der Zuckerrüber bis zur Ablieferung bei der Zuckerfabrik zu betrachten und damit ebenfalls den Untersuchungsumfang einzugrenzen (sogenannte Systemgrenzen). Dies ist sinnvoll, da der Ansatz lebenszyklusbasierten Analysen in der Landwirtschaft und insbesondere im Kontext der Digitalisierung noch nicht oft angewendet wurde und daher ein erster Anfang gemacht werden muss.
Aus einer umfangreichen Literaturrecherche ging hervor, dass es unterschiedliche Ansätze gibt, die Nachhaltigkeit landwirtschaftlicher Wertschöpfungsketten zu beurteilen. Dabei werden verschiedene Kriterien herangezogen, wobei nicht alle Ansätze dasselbe Vorgehen verfolgen. So werden Systemgrenzen unterschiedlich gesetzt. Dadurch sind die Ergebnisse häufig schwer zu vergleichen. Der Ansatz der lebenszyklusbasierten Analysen soll dieser Problematik entgegenwirken, indem sich die drei Nachhaltigkeitssäulen alle auf die gleiche Abgrenzung des Systems beziehen.
Die Literaturrecherche hat darüber hinaus Fragen der Wichtigkeit aufgeworfen: Ist der ökologische Fußabdruck z. B. wichtiger als die soziale Komponente? Oder werden alle drei Säulen gleich gewichtet? Außerdem zeigte die Recherche, dass vieles noch auf Annahmen basiert. Nicht alle Landwirt*innen setzen Roboter auf ihren Feldern oder im Stall ein, sodass sie nur annehmen können, wie sie den Einsatz der Technologien bewerten würden.
Eine Herausforderung besteht darin, dass die Ergebnisse der lebenszyklusbasierten Analysen nicht alle durch eine Kenngröße vergleichbar sind. So lassen sich z. B. soziale Kriterien nur schwer quantifizieren, wohingegen es bei der Ökobilanzierung das Co2 -Äquivalent und bei Lebenszykluskostenbetrachtung monetäre Größen gibt. Darüber hinaus haben unterschiedliche Akteure landwirtschaftlicher Wertschöpfungsketten ein unterschiedliches Verständnis von sozialer Nachhaltigkeit, sodass eine einheitliche Definition nicht gegeben ist. Dies erschwert zusätzlich die Bewertung der sozialen Nachhaltigkeit. Daher werden die Wissenschaftler*innen Interviews mit verschiedenen Stakeholdern der Wertschöpfungskette Zuckerrübe führen, darunter u. a. Landwirt*innen, Anbieter digitaler Technologien (z. B. Feldroboter) sowie Bürger*innen. Die Stakeholder sollen dazu befragt werden, welche Kriterien für sie bei der ganzheitlichen Betrachtung der Nachhaltigkeit von Bedeutung sind. Was verstehen sie unter ökonomischer, ökologischer und sozialer Nachhaltigkeit? Welche Aspekte sind ihnen dabei besonders wichtig? Diese Kriterien sowie die Ergebnisse der Literaturrecherche werden die Wissenschaftler*innen in ihre weitere Arbeit einbeziehen. Auf diesem Weg werden sie den konzeptionellen Rahmen für die die lebenszyklusbasierte Analyse schaffen.
