Machine Learning rekonstruiert fehlende Sensordaten im Weinberg

Eine neue Studie, die auf dem Preprint-Server Preprints.org veröffentlicht wurde, beschreibt ein Machine-Learning-System, das Lücken in Sensordaten aus Weinbergen schließen soll – ein Problem, das die Zuverlässigkeit von Werkzeugen des Precision Viticulture beeinträchtigen kann, mit denen Mikroklimabedingungen erfasst werden.

Im Mittelpunkt der Forschung stehen Temperatur- und relative Luftfeuchtigkeitswerte, die von Sensornetzwerken in Weinbergen erfasst wurden. Fehlende Werte können dort durch Geräteausfälle, Kommunikationsprobleme oder raue Bedingungen im Feld entstehen. Solche Lücken erschweren es Winzern und Forschern, Wetterverläufe im Weinberg zu überwachen und Entscheidungen zu Bewässerung, Krankheitsrisiko und Laubwandmanagement zu treffen.

Um dieses Problem anzugehen, entwickelten die Autoren einen spatio-temporalen Graph-Autoencoder, also eine Form künstlicher Intelligenz, die sowohl das physische Layout der Sensoren als auch die zeitliche Entwicklung der Bedingungen berücksichtigt. Praktisch ist das System darauf ausgelegt, fehlende Messwerte zu erschließen, indem es Beziehungen zwischen benachbarten Sensoren lernt und vergangene sowie aktuelle Daten nutzt, um unvollständige Sequenzen zu rekonstruieren.

Laut Studie wurde das Modell mit Mikroklimadaten aus Weinbergen getestet und konnte fehlende Temperatur- und Feuchtigkeitsreihen konsistenter rekonstruieren als einfachere Wiederherstellungsmethoden. Das ist relevant, weil Monitoring-Systeme im Weinberg oft auf kontinuierliche Datenströme angewiesen sind und schon kurze Unterbrechungen das Vertrauen in Warnungen oder Prognosen zu Frost, Hitzestress oder Pilzdruck mindern können.

Precision Viticulture hat sich in den vergangenen Jahren ausgeweitet, da Winzer immer mehr Sensoren, drahtlose Netzwerke und Analysetools einsetzen, um Parzellen auf einer feineren Ebene zu steuern. Doch diese Systeme sind nur so gut wie die Daten, die sie erfassen. Fehlen Messwerte, müssen Analysten unter Umständen Datensätze verwerfen oder sich auf grobe Schätzungen stützen. Der neue Ansatz soll diesen Verlust verringern, indem er vollständigere Datensätze für die weitere Nutzung bereitstellt.

Die Autoren ordnen ihre Arbeit in eine breitere Anstrengung ein, landwirtschaftliche Sensorsysteme unter realen Bedingungen robuster zu machen. Gerade Weinbergsumgebungen sind besonders anspruchsvoll, weil Sensoren über unebenes Gelände verteilt sein können, Witterungseinflüssen ausgesetzt sind und während der Vegetationsperiode Wartungsverzögerungen auftreten können. Ein Rekonstruktionsmodell, das fehlende Werte wiederherstellen kann, könnte dazu beitragen, die Kontinuität langfristiger Monitoringprogramme zu sichern.

Der Beitrag wurde als Preprint veröffentlicht und hat damit das Peer-Review-Verfahren noch nicht durchlaufen. Dennoch fügt er sich in eine wachsende Zahl von Studien ein, die graphbasierte neuronale Netze auf Umwelt- und Agrardaten anwenden, bei denen räumliche Beziehungen zwischen Messpunkten oft ebenso wichtig sind wie die Messwerte selbst.

Für Weinproduzenten und Weinbergsmanager liegt der praktische Nutzen auf der Hand: Sauberere Daten können bessere Entscheidungen unterstützen. Wenn ein Monitoring-System zuverlässig schätzen kann, was während einer Lücke in der Sensorabdeckung passiert ist, erhalten Winzer möglicherweise ein klareres Bild der Mikroklimabedingungen im gesamten Weinberg in entscheidenden Momenten der Saison.