Forscher stellen KI-Modell vor, das die Kältehärte von Reben regionsübergreifend vorhersagt

Forscher haben ein System auf Basis künstlicher Intelligenz vorgeschlagen, das vorhersagen soll, wie gut Reben Kälte über verschiedene Anbaugebiete hinweg standhalten können – ein Problem, das Weinberge außerhalb der Regionen, in denen solche Prognosemodelle ursprünglich entwickelt wurden, seit Langem beschäftigt.

Die Arbeit wurde am 31. Aug. von William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian und Alan Fern auf arXiv veröffentlicht. In dem Papier beschreibt das Team eine Methode zur täglichen Vorhersage der Kältehärte von Reben, also eines Maßes dafür, wie widerstandsfähig ruhende Knospen gegenüber Minustemperaturen sind, die den Ertrag in der folgenden Saison mindern können.

Für Rebberinnen und Rebber ist das Problem praktisch und kostspielig. In kalten Wintern und bei plötzlichen Temperatureinbrüchen können ruhende Knospen beschädigt werden, noch bevor die Vegetationsperiode beginnt. Diese Schäden können die Traubenproduktion verringern, die Erholung der Reben beeinträchtigen und Winzer dazu zwingen, Pläne für Schnitt, Erziehung oder Neupflanzung anzupassen. Zuverlässige tägliche Prognosen zur Kältehärte können helfen, Risiken genauer einzuschätzen, doch die leistungsstärksten Modelle stützten sich bislang meist auf große Mengen lokaler Daten und ließen sich nicht ohne Weiteres auf neue Weinberge, Regionen oder Rebsorten übertragen.

Diese Einschränkung habe die breitere Nutzung solcher Werkzeuge gebremst, vor allem dort, wo historische Aufzeichnungen zur Kältehärte rar seien, schreiben die Autoren. Bestehende biophysikalische, hybride und Deep-Learning-Systeme können laut Paper zwar genau sein, wenn sie an einem Standort mit lokalen Informationen trainiert werden, bleiben aber oft standortspezifisch. Das macht sie für Winzer weniger nützlich, die in Regionen mit wenigen Messwerten oder in Weinbergen mit Sorten arbeiten, die bisher weniger intensiv untersucht wurden.

Um dieses Problem anzugehen, entwickelten die Forscher das, was sie eine übertragbare latente Repräsentation nennen. Vereinfacht gesagt soll das System die regionalen Unterschiede lernen, die die Reaktion der Reben auf Winterbedingungen prägen, und dieses Wissen dann auf Orte übertragen, die es zuvor nicht gesehen hat. Das Modell tut dies, indem es gelernte Embeddings erzeugt, also verdichtete numerische Repräsentationen von Informationen über eine Region und eine Rebsorte.

Laut Paper können diese Embeddings auf zwei Wegen abgeleitet werden. Der eine nutzt Textbeschreibungen der Rebsorte und der Anbauregion. Der andere verwendet einen begrenzten Satz historischer Beobachtungen. Dieses Design ermöglicht es dem Modell, sowohl in „zero-shot“- als auch in „few-shot“-Einstellungen zu arbeiten. In einer zero-shot-Einstellung versucht das System, Vorhersagen für eine neue Region ohne direkte Trainingsdaten aus dieser Region zu treffen und stützt sich stattdessen auf beschreibende Informationen. In einer few-shot-Einstellung arbeitet es nur mit einer kleinen Menge lokaler historischer Daten.

Den Angaben im Paper zufolge testeten die Forscher den Ansatz mit Datensätzen aus sechs Regionen in Nordamerika. Sie berichten, dass das Modell die derzeit führenden Methoden zur Vorhersage der Kältehärte von Reben durchgängig übertraf und die Übertragbarkeit auf Regionen mit begrenzten Daten deutlich verbesserte. Der arXiv-Eintrag liefert in seinem Abstract keine vollständige Aufschlüsselung der Testergebnisse, doch die Autoren beschreiben die Zugewinne als sowohl insgesamt genauer als auch besonders nützlich in datenarmer Umgebung.

Dieses Problem der regionalen Übertragbarkeit ist für den Weinsektor nicht gering. Weinberge in etablierten Kaltklimaregionen und in neueren Weinbaugebieten stehen oft vor demselben Hindernis: Sie benötigen standortspezifische Risikowerkzeuge, verfügen aber nicht immer über jahrelange Messdaten zur Knospenhärte, um diese zu entwickeln. Ein Modell, das sich besser zwischen Regionen bewegen lässt und mit nur wenig lokalen Informationen arbeitet, könnte die Frostplanung für mehr Betriebe irgendwann praktikabler machen. Es könnte auch die Sortenwahl, das Winterrisikomanagement und andere Entscheidungen der Präzisionsweinbauwirtschaft in Regionen unterstützen, in denen die Datenerhebung noch begrenzt ist.

Der Ansatz ist auch deshalb relevant, weil die Klimavariabilität den Druck auf die Weinbergsverantwortlichen erhöht. Winterschäden hängen nicht nur von absoluten Tiefsttemperaturen ab. Sie können auch davon beeinflusst werden, wie sich Reben im Herbst an Kälte anpassen, wie sie sich während milder Phasen wieder entkälten und wie schnell sich die Bedingungen verändern. Diese Dynamiken können sich selbst bei derselben Rebsorte zwischen Regionen deutlich unterscheiden. Ein System, das sowohl aus beschreibendem Text als auch aus spärlichen Beobachtungen lernt, soll einen Teil dieser lokalen Variation erfassen, ohne von Beginn an einen vollständig aufgebauten lokalen Datensatz zu benötigen.

Das Paper konzentriert sich auf Reben, ordnet die Arbeit aber in den breiteren Kontext holziger Pflanzen ein, bei denen Vorhersagen zur Kältehärte wichtig sind, um Frostschäden zu vermeiden. Im Weinberg sind die Folgen besonders sichtbar, weil Knospenverluste die nächste Ernte direkt beeinflussen können. Für Winzer können bessere Vorhersagen im Voraus Entscheidungen zu Arbeitskräften, Versicherungsunterlagen, Erneuerung von Weinbergen und Ertragserwartungen prägen. Für Weingüter können stabilere Erträge für die Planung der Traubenzufuhr und die langfristige Produktion wichtig sein.

Die Studie befindet sich weiterhin im Preprint-Stadium. Auf arXiv veröffentlichte Arbeiten sind vor dem formellen Peer-Review öffentlich verfügbar, und die Ergebnisse sollten vor diesem Hintergrund gelesen werden. Dennoch weist die Arbeit klar in eine Richtung der Agrar-KI: Modelle, die nicht nur dort gut funktionieren, wo sie trainiert wurden, sondern sich über geografische Unterschiede und Sortenunterschiede hinweg leichter anpassen lassen.

Die Autoren verstehen das System als einen Weg, die Vorhersage der Kältehärte über eine Handvoll gut untersuchter Standorte hinaus nutzbar zu machen. Sollte sich dieses Ziel bei weiterer Prüfung und im Feldeinsatz bestätigen, könnten Weinberge in kälteren oder weniger erforschten Regionen Zugang zu Prognosetools erhalten, die bislang vor allem dort konzentriert waren, wo bereits lange Datenreihen vorliegen.