Viele Smart-Agriculture-Projekte beginnen mit der Installation von Sensoren und enden genau dort. Bodenfeuchtesonde, Wetterstation und Kamera senden ihre Daten jeweils an die App ihres eigenen Herstellers, und der Landwirt hat am Ende mehrere getrennte Diagramme, von denen keines sagt, was heute zu tun ist. Die Bewässerungsentscheidung beruht weiterhin auf Erfahrung und Schätzung, nur mit Diagrammen dazu. Daten, die ohne Integration, Verarbeitung und Modell gesammelt werden, sind nichts weiter als Speicherkosten.
Die Bedeutung ergibt sich aus dem gleichzeitigen Druck auf Wasser, Energie und Arbeitskräfte. In vielen Regionen ist Wasser die knappste Ressource, und jeder Kubikmeter, der ohne Bedarf ausgebracht wird, fehlt unmittelbar bei der Ernte des nächsten Jahres. Zugleich werden die Betriebe größer, während Fachkräfte knapper werden; ein Agronom muss Dutzende Hektar betreuen. Datengetriebene Landwirtschaft beantwortet diesen Druck, indem sie wiederkehrende Entscheidungen mit Daten und Modellen unterstützt, sodass menschliche Expertise für die Ausnahmefälle frei wird.
Die Architektur datengetriebener Landwirtschaft lässt sich als Kette verstehen: Sensoren und Controller auf dem Feld, ein lokales Gateway, das Daten sammelt und bei Verbindungsabbruch zwischenspeichert, eine Event-Plattform, die Messwerte und Alarme streamt, ein Data Lake, der die Historie mit Wetterdaten, Satellitenbildern und agronomischen Aufzeichnungen verbindet, und eine Modellschicht, die aus dieser Kombination Empfehlungen ableitet. Am Ende wird die Empfehlung entweder dem Landwirt angezeigt oder im Automatikmodus als Befehl an die Bewässerungssteuerung gesendet. Jedes Glied muss für sich austauschbar sein.
Die erste praktische Überlegung betrifft die Datenqualität in einer rauen Umgebung. Eine Bodensonde verliert mit der Zeit ihre Kalibrierung, eine schwache Batterie erzeugt falsche Messwerte, und ein Tier kann das Gerät verschieben. Die Plattform muss diese Anomalien erkennen, verdächtige Messwerte markieren und sie vor jeder Entscheidung mit benachbarten Sensoren und Wetterdaten abgleichen. Meldet beispielsweise eine Sonde einen plötzlichen Feuchtigkeitsabfall, während ihre Nachbarn keine Veränderung zeigen, ist ein Sensorfehler weit wahrscheinlicher als eine plötzliche Dürre, und die Empfehlungs-Engine sollte es entsprechend behandeln.
Die zweite Überlegung betrifft das Vertrauen des Landwirts. Eine Bewässerungsempfehlung, die sich nicht erklärt, wird nicht angenommen, so genau sie auch sein mag. Die Empfehlung sollte angeben, welche Messwerte, welche Wetterprognose und welches Wachstumsstadium zu der Schlussfolgerung geführt haben, und es muss möglich sein, sie abzulehnen oder anzupassen. Jede menschliche Entscheidung, die das Modell übersteuert, ist ein wertvoller Datenpunkt zu dessen Verbesserung. Der praktische Weg beginnt meist im Beratungsmodus und geht erst nach ein oder zwei Saisons mit bestätigten Ergebnissen zur automatischen Steuerung über.
Die typischen Fallstricke sind bekannt. Erstens: sich auf eine permanente Internetverbindung zu verlassen, wo die Netzabdeckung unzuverlässig ist; das lokale Gateway muss tagelang eigenständig laufen können. Zweitens: sich an die Hardware eines Herstellers zu binden, sodass der Austausch eines Sensors eine Neuentwicklung der Software bedeutet. Drittens: ein generisches Modell für alle Kulturen und Regionen zu bauen, obwohl das Verhalten von Boden und Pflanzen stark lokal geprägt ist. Viertens: zu vergessen, dass die letzte Ausgabe ein physischer Befehl ist; ein Softwarefehler im Automatikmodus kann ein Feld überfluten oder austrocknen lassen und erfordert einen unabhängigen Sicherheitsmechanismus.
Bei Niadad stellt die Plattform Jarian die Event-Schicht in dieser Kette bereit: Sie empfängt Messwerte und Alarme von lokalen Gateways, streamt sie und bewahrt die Historie. Darya ist der Data Lake, der diesen Strom mit Wetterdaten, Bildmaterial und agronomischen Aufzeichnungen zur Grundlage der Modellierung zusammenführt. Im Smart-Agriculture-Projekt von Niadad sind beide mit eigens entwickelten Platinen und Feldsteuerungen integriert, sodass die Kette vom Sensor bis zur Entscheidung als ein System funktioniert.
Bei datengetriebener Landwirtschaft geht es weder um Sensoren noch um Algorithmen, sondern um die Kette, die einen Messwert in eine vertrauenswürdige Entscheidung verwandelt. Eine Organisation, die diese Kette mit ingenieurmäßiger Disziplin aufbaut, wird mit jeder Saison ein wenig besser, und in der Landwirtschaft ist es der Unterschied zwischen den Saisons, der Bestand hat. Klein anzufangen, mit einem Feld, einer Kultur und einer Entscheidung, und erst zu erweitern, wenn sich die Kette bewährt hat, ist der Weg mit den besten Aussichten auf Dauer.