Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | Verbundprojekt: Künstliche Intelligenz für die innovative Ertragsprognose bei Reben (KI-iREPro) - Teilprojekt B |
|---|---|
| Titel (englisch): | Collaborative project: Artificial intelligence for an innovative yield forecast in grapevine (KI-iREPro) - subproject B |
| Akronym: | KI-iREPro |
| Beschreibung (dt.): | Im Weinbau bestimmt der Ertrag über die Menge-Güte-Relation des Ernteguts maßgeblich die Produktqualität und somit die Rentabilität. Für den Weinbaubetrieb sind daher Ertragsprogno-sen wichtige betriebswirtschaftliche Stellschrauben, die jedoch stark von der Witterung, d.h. dem jeweiligen Jahrgang beeinflusst werden. Bisher sind Ertragsprognosen sehr fehlerträchtig und führen alljährlich in den Betrieben zu Überraschungen nach oben wie nach unten. Gleich-zeitig bieten genaue Ertragsprognosen wichtige Grundlagen für das betriebliche Management: (1) Einstellen des gewünschten Ertrages (Menge-Güte-Relation, Qualitätsmanagement); (2) Transportlogistik (Transportkapazität vom Weinberg zum Betrieb, Reduktion von Wartezeiten bei der Traubenanlieferung) und (3) Kellereilogistik (Auslastung von Weinpressen- und Gärtankkapazitäten). Technologieübergreifend und anwendungsbezogen soll mit Methoden aus dem Bereich des Maschinellen Lernens (einem Teilbereich der Künstlichen Intelligenz (KI)) ein Ertragsprognosemodell entwickelt werden. |
| Beschreibung (engl.): | In viticulture quantity and quality of yield significantly affects the product quality and there-fore the profitability. For vine grower yield forecasts are an important ecological factor, which can be highly influenced through weather conditions showing strong year-to-year fluctuations. Up to now yield forecasts are very error-prone leading to yearly surprises, positive or negative, in the companies. Simultaneous accurate yield forecasts offer an important base for operation-al management: (1) adjusting the desired yield level (quantity-quality- relation; quality man-agement); (2) transport logistics (transport capacity from the vineyard to the cellar. reduction of waiting time at grape delivery) and (3) cellar logistic (capacity of grape press and fermenta-tion tanks). Trans-technologically and application-oriented a machine learning method (section of Artificial Intelligence (AI)) will be used to develop a yield forecast model. |
| Laufzeit: | Beginn: 01.04.2021 / Ende: 31.10.2024 |
| Ausf. Einrichtung: | Rheinische Friedrich-Wilhelms-Universität Bonn - Mathematisch-Naturwissenschaftliche Fakultät - Institut für Informatik 4 - Arbeitsgruppe Intelligent Vision Systems, Bonn |
| Themenfelder: | Pflanzenbau, crop production |
| Förderprogramme: | Digitalisierung in der Landwirtschaft |
| Schlagworte: | Wissenstransfer / Vernetzung, knowledge transfer, networking, Nachhaltigkeit, sustainability, Weinbau (inkl. Außenwirtschaft, Kellerei), viticulture (winery), Digitalisierung, Digitale Welt, digital world, Rebe, vine, Prognose, forecast, Künstliche Intelligenz, AI Artificial Intelligence |
| Förderkennzeichen: | 28DK128B20 |
| Dokument zum Download: | Kein Dokument vorhanden! |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an digitalisierung-landwirtschaft@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
