SimpleAgriData

Wie Digitalisierung und KI die ökologische Hühnerhaltung verbessern

Am Beispiel der Hühnerhaltung zeigt die ökologische Tierhaltung eine komplexe Wertschöpfungskette mit vielfältigen Datenquellen, die sowohl Landwirt*innen als auch Vertriebspartner*innen helfen können, Tierwohl und Wirtschaftlichkeit gezielt zu verbessern. Das Projekt SimpleAgriData zielt darauf ab, dieses Potenzial durch eine zentrale Datenplattform zu erschließen, die Daten digital integriert und mittels semantischer Interoperabilität einheitlich nutzbar macht. Darauf aufbauend werden KI-gestützte Anwendungsfälle entwickelt, die aus den Daten erklärbare Handlungsempfehlungen für landwirtschaftliche Betriebe ableiten.

Die Digitalisierung schreitet in allen Bereichen des täglichen Lebens voran. Auch in der ökologischen Nutztierhaltung werden durch technische Entwicklungen zunehmend Daten erhoben, die vielfältige Optimierungsmöglichkeiten eröffnen. Diese Daten liegen jedoch häufig in unterschiedlichen Formaten und Systemen vor oder sind nicht vollständig digital verfügbar. Dadurch können sie oft nicht gemeinsam genutzt werden, sodass ihr Potenzial für die landwirtschaftliche Praxis weitgehend ungenutzt bleibt.

An diesem Punkt setzt das Forschungsprojekt Simple-AgriData mit Fokus auf die ökologische Geflügelhaltung an. Gemeinsam mit Partnern aus Industrie und Praxis, darunter Futterlieferanten, landwirtschaftliche Betriebe und Veterinär*innen, werden unterschiedliche Datenquellen zusammengeführt, aufbereitet und in einer Open-Source-Datenplattform semantisch beschrieben. Dadurch entsteht eine einheitliche Basis für den Datenaustausch und die Analyse entlang der gesamten Wertschöpfungskette (siehe Abb. 1) – von Angaben zu Elterntieren und Brütereien über Futter- und Stallklimadaten bis hin zu Gesundheitsinformationen und Schlachtergebnissen.

In speziell ausgestatteten Hähnchenställen werden kontinuierlich Video- und Tonaufnahmen erhoben und mit weiteren Datenquellen verknüpft. Dazu zählen Umwelt- und Wetterdaten, Fütterungsinformationen, tiermedizinische Angaben wie Impfungen sowie Daten aus Kontrollgängen und Dokumentationen, etwa Auslaufjournale und Lieferscheine. Ergänzend gibt es tierbezogene Informationen wie Gewicht, Alter, Rasse sowie Angaben zu den Elterntieren.

Auf Grundlage dieser Daten werden KI-Modelle zur Bildsegmentierung, Anomalieerkennung und Prognose eingesetzt. Ergänzend soll ein digitaler Zwilling der Wertschöpfungskette entstehen, mit dem Prozesse simuliert, Szenarien analysiert und Optimierungspotenziale sichtbar gemacht werden können. Die Anwendungsfälle konzentrieren sich auf Tiergesundheit und Haltungsbedingungen. Ziel ist es, Landwirt*innen praxisnahe Werkzeuge bereitzustellen, die Transparenz und Nachhaltigkeit fördern. Beispiele sind Gewichtsvorhersagen, Mortalitätsanalysen, Futter- und Wasserverwertung, Tierstress sowie Energieeffizienz.

SimpleAgriData verfolgt zusammenfassend folgende zentrale Ziele:

• Aufbau einer Open-Source-Datenplattform, um Daten entlang der Wertschöpfungskette besser nutzbar zu machen
• Vereinfachung des Datenaustauschs durch semantische Datenbeschreibung
• Entwicklung datenbasierter Prognosen, konkreter Handlungsempfehlungen und digitaler Zwillinge entlang der Prozesskette.
• Verständliche Aufbereitung der Daten und Empfehlungen für Landwirt*innen
• Steigerung von Ressourceneffizienz, Tiergesundheit und Wirtschaftlichkeit durch Daten und KI-Algorithmen

Semantische interoperable Datenplattform

Der Kern des Projekts ist die schichtweise aufgebaute Datenplattform für landwirtschaftliche Betriebe. Sie integriert Daten über Konnektoren, verarbeitet und sichert sie und stellt sie über zwei Webapplikationen bereit: eine zur Visualisierung betrieblicher Daten und eine zur Unterstützung der digitalen Datenerfassung.

Die Speicherung erfolgt getrennt auf physischer und semantischer Ebene. Je nach Datentyp wird der passende Speicher verwendet. Die semantische Schicht referenziert diese Speichereinheiten und macht die Daten maschinenlesbar und interoperabel. Dabei knüpfen wir an bestehende Forschungsarbeiten und Modellierungsansätze an. 

Unser Ziel ist ein digitales Abbild des landwirtschaftlichen Betriebs mit Fokus auf die zentrale Datenerfassung entlang der Wertschöpfungskette der Masthähnchen. Über Konnektoren sollen perspektivisch auch externe Partner angebunden, der Datenaustausch ermöglicht und konzeptionell Datenräume integriert werden.

Das Körpergewicht von Masthähnchen ist ein wichtiger Indikator für Tierwohl, Gesundheit und das Betriebsmanagement. Wer früh erkennt, ob sich eine Herde wie erwartet entwickelt, kann Fütterung, Haltung und Vermarktung besser planen. Aus diesem Grund versuchen wir in unserem Forschungsprojekt eine möglichst frühe Vorhersage des Gewichts der Herde zu erstellen.

Die Datengrundlage hierfür ist die Messung der Tiergewichte mit einer digitalen Waage. Diese Waage hängt dauerhaft im Stall und gilt, wie andere Erhöhungen im Stall, als eine Form der Tierbeschäftigung, auf die die Tiere freiwillig steigen. Die Waage berechnet anhand der Anzahl der Tiere, die die Waage genutzt haben, das durchschnittliche Gewicht der gesamten Herde.

Für die Vorhersage des Gewichts ab einem gewählten Lebenstag der Hähnchen wurden verschiedene Methoden getestet. Beispielsweise wurden klassische statistische Zeitreihenmodelle wie ARIMA sowie Verfahren des maschinellen Lernens wie lineare Regression, Random Forest und Generalized Additive Models ausgewählt. Ziel war eine möglichst genaue Prognose auf Basis weniger Daten, damit der Ansatz auch auf anderen Betrieben einfach einsetzbar bleibt.

Alle getesteten Verfahren erzielten praxistaugliche Ergebnisse. Die durchschnittliche Abweichung lag jeweils unter 50 Gramm. Am besten schnitt der Random Forest ab, mit einem mittleren absoluten Fehler von weniger als 34 Gramm. Dieses Verfahren konnte typische Wachstumsmuster aus früheren Herden besonders gut nutzen. Die Ergebnisse zeigen, dass Gewichtsentwicklungen in der Praxis bereits mit vergleichsweise einfachen Datenquellen zuverlässig vorhergesagt werden können. Solche Prognosen können Landwirt*innen dabei unterstützen, Abweichungen früher zu erkennen und Managemententscheidungen besser vorzubereiten.

Neben der reinen Vorhersage stellt sich jedoch eine weitere zentrale Frage: Warum entwickelt sich eine Herde anders als erwartet? Hier soll eine ergänzende Root-Cause-Analyse durchgeführt werden. Sie soll nicht nur anzeigen, dass eine Abweichung vorliegt, sondern auch mögliche Ursachen sichtbar machen – etwa Einflüsse der Fütterung, des Stallklimas, der Tiergesundheit oder des Managements.

Anwendungsfall 2: Wann ist die Herde in Gefahr?

Die frühzeitige Vorhersage der Mortalitätsrate sowie die Identifikation der wichtigsten Einflussfaktoren in der ökologischen Hähnchenmast bilden eine zentrale Grundlage für die Entwicklung eines Frühwarnsystems zum Tierwohl und für fundierte Empfehlungen im Betriebsmanagement. Im Forschungsprojekt untersuchen wir, ob sich die Sterblichkeit mithilfe von Stallklima-, Futter-, Wasser- und Wetterdaten zuverlässig vorhersagen lässt und welche Faktoren dabei besonders relevant sind.

Die bisherigen Ergebnisse zeigen, dass mit der vorhandenen Datenbasis noch keine ausreichend belastbaren Vorhersagen möglich sind.¹ Am besten schneidet das XGB-Modell ab, insgesamt bleibt die Prognosegüte jedoch zu niedrig, um die Mortalität sicher vorherzusagen. Bei der Analyse der Einflussfaktoren zeigen sich vor allem stallinterne Regelgrößen wie der Belüftungsdruck sowie kurzfristige meteorologische Faktoren wie Windrichtung, Luftdruck, Sonnenschein und Wasseraufnahme als wichtig. Die bisherigen Ergebnisse liefern damit vor allem erste Hinweise darauf, welche Größen die Mortalität beeinflussen könnten, sowie ein robustes, reproduzierbares Analyse-Framework, das im weiteren Verlauf des Projekts weiterentwickelt werden soll.

Durch die Veröffentlichung der Projektergebnisse soll die Digitalisierung der Landwirtschaft unterstützt werden. Besonders in der Tierhaltung bestehen große Potenziale für datenbasierte Ansätze und effiziente Prozesse. Zusätzlich arbeiten wir in diesem Forschungsprojekt eng mit Studierenden zusammen, ermöglichen Einblicke in Forschungsthemen, betreuen Abschlussarbeiten und unterstützen wissenschaftliche Fragestellungen.

Danksagung

Die Förderung des Vorhabens erfolgt aus Mitteln des Bundesministeriums für Landwirtschaft, Ernährung und Heimat (BMLEH) aufgrund eines Beschlusses des Deutschen Bundestages. Die Projektträgerschaft erfolgt über die Bundesanstalt für Landwirtschaft und Ernährung (BLE) im Rahmen der Digitalisierungsstrategie des BMLEH.

Autor*innen

Prof. Dr. rer. nat. Christine Preisach
Projektkoordinatorin des Projekts SimpleAgriData des Forschungsinstituts Intelligent Systems Research Group (ISRG) und Gruppenkoordinatorin ebendieser an der HKA und Professorin für Data Science und Informatik an der Fakultät für Informatik und Wirtschaftsinformatik

Ida Hausmann, M.Sc.
Akademische Mitarbeiterin und Doktorandin am Institut Intelligent Systems Research Group (ISRG)

Jeanne Sinn, M.Sc.
Akademische Mitarbeiterin und Doktorandin am Institut Intelligent Systems Research Group (ISRG)

Maximilian Kirsch, M.Sc.
Akademischer Mitarbeiter und Doktorand am Institut Intelligent Systems Research Group (ISRG)