Maschinelles Lernen in der Landwirtschaft: Ein vollständiger Leitfaden bis 2026

Kurzzusammenfassung: Maschinelles Lernen in der Landwirtschaft nutzt KI-Algorithmen zur Analyse riesiger Datensätze von Sensoren, Satelliten und Wettersystemen. So können Landwirte datengestützte Entscheidungen zu Pflanzengesundheit, Bodenbeschaffenheit, Schädlingsbekämpfung und Ressourceneinsatz treffen. Moderne ML-Modelle erreichen heute eine Genauigkeit von 97–991 TP³T bei der Ertragsprognose, der Erkennung von Pflanzenkrankheiten und der Beurteilung der Bodeneignung. Gleichzeitig wird der Wasserverbrauch um 201 TP³T gesenkt und der Düngemittelverbrauch deutlich reduziert. Diese Technologie transformiert die konventionelle Landwirtschaft hin zur Präzisionslandwirtschaft und trägt so zur Bewältigung der globalen Herausforderungen der Ernährungssicherheit angesichts des Bevölkerungswachstums bei.

Die Landwirtschaft steht an einem entscheidenden Wendepunkt. Die Weltbevölkerung wächst stetig, die Klimamuster verändern sich unvorhersehbar und die Ackerflächen schrumpfen. Traditionelle Anbaumethoden, so bewährt sie auch sein mögen, können mit diesem zunehmenden Druck kaum noch Schritt halten.

Hier kommt maschinelles Lernen ins Spiel – eine Technologie, die die Art und Weise, wie Lebensmittel auf unsere Teller gelangen, grundlegend verändert. Nicht durch Hype oder Spekulationen, sondern durch messbare Verbesserungen bei der Art und Weise, wie Landwirte ihre Ernten überwachen, Ressourcen verteilen und auf Umweltprobleme reagieren.

Der springende Punkt ist jedoch: Maschinelles Lernen ersetzt nicht menschliches Fachwissen. Es erweitert es um Mustererkennungsfähigkeiten, die Millionen von Datenpunkten schneller verarbeiten, als es ein Agronom manuell analysieren könnte. Die Ergebnisse sprechen für sich: Gradient Boosting und der LSTM-Algorithmus erzielten laut einer in Nature veröffentlichten Studie bei der Stresskategorisierung außergewöhnliche Genauigkeiten von 96% bzw. 97%.

Dieser umfassende Leitfaden untersucht, wie maschinelles Lernen in der Landwirtschaft funktioniert, welche Anwendungen echten Mehrwert bieten und welche Herausforderungen noch bestehen. Ganz ehrlich: Nicht jeder landwirtschaftliche Betrieb braucht KI. Doch das Verständnis dafür, wo maschinelles Lernen messbare Auswirkungen hat, kann zu besseren Entscheidungen über die Einführung dieser Technologie beitragen.

Warum maschinelles Lernen für die moderne Landwirtschaft wichtig ist

Die Zahlen sprechen eine deutliche Sprache. Laut der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) entstehen rund 951.000 Tonnen Nahrungsmittel direkt oder indirekt durch den Boden. Dennoch sehen sich Landwirte mit beispiellosen Produktivitätshindernissen konfrontiert.

Weltweit haben mehr als 701.000 Landwirte keinen Zugang zu ausreichendem Kapital. Zwei Drittel tun sich schwer, Technologien effektiv einzusetzen, und über 501.000 kennen nicht einmal die verfügbaren Lösungen, die ihnen helfen könnten, ihre Anbaumethoden zu verbessern und ihre Rentabilität zu steigern. Dies sind keine geringfügigen Hindernisse – sie bedrohen unmittelbar die Ernährungssicherheit.

Maschinelles Lernen geht mehrere zentrale Herausforderungen der Landwirtschaft gleichzeitig an:

• Ressourcenknappheit: ML-basierte Techniken für die Ressourcenplanung können die Erträge bis 20% steigern und den Wasserverbrauch bis 20% reduzieren.
• Unberechenbarkeit des Klimas: Wettervorhersagemodelle analysieren historische Muster und Echtzeitdaten, um die Bedingungen für die kommenden Wochen vorherzusagen.
• Arbeitskräftemangel: Automatisierte Überwachungssysteme reduzieren den Bedarf an manuellen Feldinspektionen.
• Wissenslücken: KI demokratisiert agronomisches Fachwissen und macht Erkenntnisse auch für Kleinbauern zugänglich.

Aber Moment mal. Funktioniert maschinelles Lernen tatsächlich unter realen landwirtschaftlichen Bedingungen, oder handelt es sich hierbei nur um theoretische Forschung?

Aktuelle Studien liefern konkrete Antworten. Der US-Forstdienst (USDA Forest Service) veröffentlichte Forschungsergebnisse zur Nutzung datenbasierter Ansätze zur Vorhersage von Maiserträgen in verschiedenen Klimazonen. Die Ergebnisse zeigen, dass ML-Modelle die Pflanzenentwicklung mit bemerkenswerter Präzision vorhersagen können, wenn sie mit Daten aus verschiedenen Quellen trainiert werden, darunter Fernerkundungsbilder, Bodeneigenschaften und Wetterdaten.

Eine weitere Studie des Landwirtschaftlichen Forschungsdienstes des US-Landwirtschaftsministeriums (USDA) befasste sich mit der Ertragsprognose von Zuckermais mithilfe von Modellen des maschinellen Lernens und Felddaten. Die Forschung zeigte, dass Algorithmen Ernteergebnisse präzise genug vorhersagen können, um Anbauentscheidungen und die Ressourcenverteilung zu optimieren.

Revolutionieren Sie die Landwirtschaft mit Lösungen für maschinelles Lernen

Landwirtschaftliche Betriebe verarbeiten große Datenmengen, von betrieblichen Abläufen bis hin zu Umweltbedingungen, die ohne KI-gestützte Lösungen schnell überfordernd sein können. AI Superior Unterstützt Unternehmen dabei, maschinelles Lernen zur Datenverarbeitung, Entscheidungsfindung und Optimierung der betrieblichen Effizienz durch maßgeschneiderte KI-Tools zu nutzen.

Bringen Sie Ihre landwirtschaftlichen Betriebe mit KI auf die nächste Stufe.

AI Superior unterstützt Organisationen mit:

• Vorausschauende Analysen für die operative Planung und Entscheidungsfindung
• Benutzerdefinierte Modelle für maschinelles Lernen zur Analyse von Agrardaten
• Nahtlose Integration von KI-Systemen in bestehende Infrastrukturen

👉Kontaktieren Sie AI Superior um zu erfahren, wie maschinelles Lernen Ihre landwirtschaftlichen Betriebsabläufe und Entscheidungsprozesse verbessern kann.

Wie maschinelles Lernen in Agrarsystemen funktioniert

Maschinelles Lernen ermöglicht es Computern im Kern, Muster in Daten zu erkennen, ohne für jedes Szenario explizit programmiert werden zu müssen. In der Landwirtschaft bedeutet dies Systeme, die aus Beispielen lernen – Tausende von Bildern gesunder und kranker Pflanzen, jahrelange Wetterdaten in Korrelation mit Erträgen oder Sensormesswerte in Verbindung mit Ergebnissen zur Bodenqualität.

Der Prozess folgt einem einheitlichen Arbeitsablauf:

• Die Datenerfassung bildet die Grundlage. Sensoren messen Bodenfeuchtigkeit, Temperatur und Nährstoffgehalt. Drohnen und Satelliten liefern multispektrale Bilder. Wetterstationen erfassen Niederschlag, Luftfeuchtigkeit und Windverhältnisse. Landwirte dokumentieren Pflanztermine, Düngemittelgaben und Ernteergebnisse.
• Die Datenvorverarbeitung bereinigt und strukturiert diese Informationen. Fehlende Werte werden behandelt, Ausreißer identifiziert und verschiedene Datenquellen synchronisiert. Diese Phase ist oft zeitaufwändiger als die Modellierung selbst, aber unerlässlich für genaue Vorhersagen.
• Feature Engineering wandelt Rohdaten in aussagekräftige Eingangsdaten um. Aus einer einfachen Temperaturmessung wird die Berechnung von Wachstumsgradtagen. Mehrere Bodenmesswerte werden zu einem Feldfeuchteindex zusammengefasst. Satellitenbilder werden in Vegetationsindizes umgewandelt, die den Gesundheitszustand der Pflanzen quantifizieren.
• Das Modelltraining speist historische Daten in Algorithmen ein, die Zusammenhänge zwischen Eingangs- und Ausgangswerten erlernen. Das Modell erkennt, dass bestimmte Bodenbedingungen, Wettermuster und Bewirtschaftungsmethoden mit hohen Erträgen – oder umgekehrt mit Schädlingsbefall – korrelieren.
• Validierung und Tests stellen sicher, dass das Modell über die Trainingsdaten hinaus generalisiert. Die Forscher halten einen Teil der Beispiele zurück und überprüfen dann, ob die Vorhersagen mit der Realität auf diesem unbekannten Datensatz übereinstimmen. Eine schlechte Leistung deutet hier auf Überanpassung hin, bei der das Modell die Trainingsbeispiele auswendig gelernt hat, anstatt tatsächliche Muster zu erkennen.
• Die Implementierung führt das trainierte Modell in den Produktivbetrieb, wo es neue Daten verarbeitet und umsetzbare Erkenntnisse generiert. Ein Ertragsprognosesystem könnte beispielsweise aktuelle Wettervorhersagen und Feldbedingungen einbeziehen und dann Wochen vor der Reife der Pflanzen die erwarteten Erntemengen ausgeben.

In der Landwirtschaft verwendete Kernmodelle des maschinellen Lernens

Unterschiedliche landwirtschaftliche Probleme erfordern unterschiedliche algorithmische Ansätze. Das Verständnis dafür, welche Modelle sich für bestimmte Aufgaben besonders eignen, hilft Landwirten und Agrarunternehmen, fundierte Technologieentscheidungen zu treffen.

Modelle für überwachtes Lernen

Überwachtes Lernen trainiert anhand von gekennzeichneten Beispielen – Daten, bei denen die richtige Antwort bekannt ist. Ein System zur Krankheitserkennung lernt beispielsweise aus Tausenden von Pflanzenbildern, die als “gesund”, “Rostbefall” oder “Nährstoffmangel” gekennzeichnet sind.”

Random Forest erstellt mehrere Entscheidungsbäume und mittelt deren Vorhersagen. Dieser Ensemble-Ansatz eignet sich hervorragend für Klassifizierungsaufgaben wie die Identifizierung von Pflanzenkrankheiten oder die Kategorisierung der Bodenqualität. Das Modell verarbeitet verrauschte Daten problemlos und liefert Rangfolgen der Merkmalswichtigkeit, die aufzeigen, welche Variablen die Vorhersagen am stärksten beeinflussen.

Support Vector Machines (SVM) eignen sich hervorragend für binäre Klassifizierungsprobleme – beispielsweise zur Bestimmung, ob eine Pflanze gestresst oder gesund ist, ob Bedingungen Schädlingsbefall begünstigen oder ob ein Feld die Eignungskriterien für eine bestimmte Kulturpflanze erfüllt. Studien zeigen, dass SVM bei der Erkennung von Pflanzenstress eine Genauigkeit von 82% erreicht.

Gradient Boosting trainiert Modelle sequenziell, wobei jedes neue Modell Fehler der vorherigen korrigiert. Diese Technik hat sich in der Landwirtschaft als äußerst effektiv erwiesen. Studien, die in Nature veröffentlicht wurden, zeigen, dass Gradient Boosting mit sequentieller Vorwärtsselektion eine Genauigkeit von 99,411 TP3T für die Vorhersage der Landeignung erreichte, mit einer Präzision von 99,371 TP3T, einem Recall von 99,341 TP3T und einem F1-Score von 99,351 TP3T.

Speziell für die Ertragsprognose erwiesen sich Gradient Boosting und der LSTM-Algorithmus als überlegen und erreichten bei der Spannungskategorisierung gemäß maßgeblicher Forschung eine außergewöhnliche Genauigkeit von 96% bzw. 97%.

Deep Learning-Modelle

Deep Learning nutzt neuronale Netze mit mehreren Schichten, die automatisch hierarchische Merkmalsdarstellungen erlernen. Diese Modelle eignen sich besonders gut für die Verarbeitung von Bildern, Zeitreihen oder anderen komplexen Daten:

• Convolutional Neural Networks (CNNs) dominieren Aufgaben der Computer Vision in der Landwirtschaft. Mehrklassen-Pflanzenkrankheitserkennungssysteme, die Ensemble-Ansätze mit AlexNet-, ResNet50- und VGG16-Architekturen nutzen, erreichen laut Forschungsergebnissen eine Genauigkeit von 99,53%.
• Rekurrente neuronale Netze (RNN) verarbeiten sequentielle Daten und eignen sich daher ideal für Zeitreihenanalysen wie Wettervorhersagen oder Pflanzenwachstumsmodelle. Studien zeigen, dass RNN-Architekturen eine Genauigkeit von 94% bei der Erkennung von Stressfaktoren in der Landwirtschaft erreichen.
• Long Short-Term Memory (LSTM)-Netzwerke, eine spezielle Variante von RNNs, lösen das Problem des verschwindenden Gradienten, das herkömmliche rekurrente Architekturen plagt. LSTM-Modelle erreichen eine Genauigkeit von 97% bei der Kategorisierung von Pflanzenstress und übertreffen damit die meisten anderen Ansätze. Ihre Fähigkeit, Langzeitabhängigkeiten zu erfassen, macht sie wertvoll für Prognoseaufgaben, die auf längeren historischen Mustern basieren.

Regressionsmodelle

Bei der Vorhersage kontinuierlicher Werte – Ernteerträge in Scheffel pro Acre, optimale Düngermengen, erwartete Niederschlagsmengen – liefern Regressionsmodelle die Antwort.

Lineare Regressionsmodelle sind trotz ihrer Einfachheit nach wie vor erstaunlich nützlich. Laut einer in Nature veröffentlichten Studie erreicht die lineare Regression bei der Düngemittelmengenberechnung eine Vorhersagegenauigkeit von 93,51 %. Die Interpretierbarkeit des Modells – es zeigt genau, wie jede Eingangsvariable das Ergebnis beeinflusst – macht es wertvoll, um Landwirten Empfehlungen zu erläutern.

Die wichtigsten Anwendungen des maschinellen Lernens, die die Landwirtschaft verändern

Die Theorie ist weniger wichtig als die praktische Auswirkung. Diese Anwendungsbeispiele zeigen, wo maschinelles Lernen in der landwirtschaftlichen Praxis einen messbaren Mehrwert bietet.

Ernteertragsprognose

Genaue Ertragsprognosen beeinflussen Entscheidungen entlang der gesamten landwirtschaftlichen Wertschöpfungskette. Landwirte planen die Erntelogistik und schließen Terminkontrakte ab. Verarbeitungsbetriebe planen ihre Anlagenkapazitäten. Händler legen Preise für Rohstoff-Futures fest. Regierungen prognostizieren die Lebensmittelverfügbarkeit.

Maschinelles Lernen nutzt vielfältige Datenquellen: Satellitenbilder zur Erfassung der Kronenentwicklung, Wettervorhersagen zur Prognose der Wachstumsbedingungen, Bodenkarten zur Nährstoffverteilung und historische Ertragsdaten vergleichbarer Felder. Die Forschung des US-Forstdienstes (USDA Forest Service) zur Maisertragsprognose in verschiedenen Klimazonen zeigt, wie sich diese Modelle an regionale Klimaschwankungen anpassen.

Die Genauigkeitsverbesserungen sind beträchtlich. Traditionelle statistische Modelle prognostizieren Erträge mit einer Abweichung von 15–20¹³ Tonnen vom tatsächlichen Ertrag. Moderne ML-Verfahren verringern diese Abweichung auf 5–10¹³ Tonnen, mitunter sogar noch genauer. Diese Präzision ermöglicht eine fundiertere Geschäftsplanung und reduziert Verschwendung durch Über- oder Unterschätzung der Erntemengen.

Pflanzenkrankheits- und Schädlingserkennung

Die frühzeitige Erkennung von Pflanzenkrankheiten und Schädlingsbefall kann über geringe Verluste oder katastrophale Ernteausfälle entscheiden. Die manuelle Kontrolle erfordert geschultes Personal, das die Felder abgeht und einzelne Pflanzen untersucht – ein arbeitsintensives Verfahren, das Probleme oft erst dann aufdeckt, wenn sie sich bereits stark ausgebreitet haben.

Computer Vision-Systeme, die auf Convolutional Neural Networks basieren, analysieren Bilder von Smartphones, Drohnen oder Feldkameras. Die Modelle erkennen subtile visuelle Symptome – Verfärbungsmuster, Läsionsformen, Merkmale der Blattkräuselung –, die auf bestimmte Krankheiten oder Schädlinge hinweisen.

Forschungsergebnisse zeigen, dass Ensemble-CNN-Modelle eine Genauigkeit von 99,53% bei der Erkennung von Pflanzenkrankheiten verschiedener Klassen erreichen. Diese Leistung übertrifft die typische menschliche Genauigkeit, insbesondere bei weniger erfahrenen Beobachtern, die ähnliche Symptome verwechseln könnten.

Okay, und wie sieht es mit der Umsetzung aus? Diese Systeme funktionieren über mobile Apps, mit denen Landwirte befallene Pflanzen fotografieren. Die App lädt die Bilder auf Cloud-Server hoch, auf denen trainierte Modelle laufen, die innerhalb von Sekunden Diagnoseergebnisse liefern. Die Diagnose wird durch Behandlungsempfehlungen ergänzt – von organischen oder chemischen Bekämpfungsmethoden über angepasste Bewässerung bis hin zu Nährstoffzusätzen.

Bodengesundheitsüberwachung und -analyse

Die Bodenqualität ist grundlegend für die landwirtschaftliche Produktivität. Herkömmliche Analysemethoden erfordern die Entnahme von Bodenproben, deren Versand in Labore, das Warten auf die Ergebnisse über Tage oder Wochen und die Interpretation komplexer Nährstoffberichte. Dieses Verfahren ist langsam, teuer und liefert lediglich Momentaufnahmen.

In Feldern eingebettete IoT-Sensoren messen kontinuierlich Bodenfeuchtigkeit, Temperatur, pH-Wert und elektrische Leitfähigkeit – ein Indikator für die Nährstoffverfügbarkeit. Maschinelle Lernmodelle verarbeiten diese Datenströme, um den Bodenzustand in Echtzeit zu beurteilen.

Eine Ende 2025 in Nature veröffentlichte Studie zur Anwendung von maschinellem Lernen in der Bodenanalyse für IoT-gestützte intelligente Landwirtschaft untersuchte überwachte Modelle wie Random Forest, Support Vector Machines, Gradient Boosting Machines und CNNs. Die Studie ergab, dass diese Ansätze eine höhere Genauigkeit bei der Klassifizierung von Bodenqualität, Fruchtbarkeit, pH-Wert und Nährstoffgehalt erzielen, insbesondere wenn sie mit strukturierten Datensätzen wie dem Soil Fertility Dataset trainiert werden.

IoT-basierte Sensorsysteme verbessern die Vorhersagegenauigkeit deutlich, indem sie kontinuierliche, detaillierte Messungen anstelle sporadischer manueller Stichproben liefern. Landwirte erhalten Einblick in die räumliche Variabilität ihrer Felder – wodurch sie Zonen mit unterschiedlichem Bewirtschaftungsbedarf identifizieren können – und in zeitliche Veränderungen, die aufkommende Probleme aufdecken.

Präzisionsbewässerung und Wassermanagement

Wasserknappheit bedroht die Landwirtschaft weltweit. ML-basierte Bewässerungssysteme optimieren die Wassernutzung, indem sie den Wasserbedarf der Pflanzen anhand von Wettervorhersagen, Wachstumsstadium, Bodenfeuchtigkeit und Evapotranspirationsraten vorhersagen.

Die Systeme arbeiten mit minimalem menschlichen Eingriff. Bodenfeuchtesensoren lösen die Bewässerung nur dann aus, wenn bestimmte Schwellenwerte überschritten werden. Wettervorhersage-APIs liefern Prognosen für bevorstehende Niederschläge und verschieben die geplante Bewässerung bei erwartetem Regen. Pflanzenmodelle schätzen den täglichen Wasserverbrauch anhand des Wachstumsstadiums und der Umweltbedingungen.

Studien zeigen, dass maschinelles Lernen in der Ressourcenplanung die Erträge um bis zu 201.300 Tonnen steigern und den Wasserverbrauch im Vergleich zu festen Bewässerungsplänen um bis zu 201.300 Tonnen reduzieren kann. Die Effizienzgewinne resultieren aus der präzisen Anpassung der Wasserzufuhr an den Pflanzenbedarf – wodurch sowohl Trockenstress als auch Übersättigung, die Krankheiten begünstigt, vermieden werden.

Eignungsprüfung von Grundstücken

Nicht jedes Feld eignet sich für jede Kulturpflanze. Bodenbeschaffenheit, Drainage, pH-Wert, Klima und Topographie beeinflussen, ob ein bestimmtes Grundstück wirtschaftlich rentable Erträge bei Weizen im Vergleich zu Gerste, Mais im Vergleich zu Sojabohnen, Weintrauben im Vergleich zu Mandeln liefert.

Die traditionelle Eignungsbeurteilung beruht auf der Interpretation von Bodenuntersuchungen und Klimadaten durch erfahrene Agronomen – ein zeitaufwändiger, subjektiver Prozess, der sich nur schwer skalieren lässt. Modelle des maschinellen Lernens automatisieren diese Analyse und verbessern gleichzeitig die Genauigkeit.

Eine 2024 in Nature veröffentlichte Studie zur Vorhersage der Bodeneignung für Weizen und Gerste in Äthiopien nutzte Random Forest, Gradient Boosting und K-Nearest Neighbor-Algorithmen mit verschiedenen Merkmalsauswahlmethoden. Das leistungsstärkste Modell – Gradient Boosting mit sequentieller Vorwärtsselektion – erreichte eine Genauigkeit von 99,411 TP³T, eine Präzision von 99,371 TP³T, einen Recall von 99,341 TP³T und einen F1-Score von 99,351 TP³T.

Diese Modelle helfen Landwirten, fundierte Entscheidungen bei der Auswahl von Nutzpflanzen zu treffen und das Risiko zu verringern, ungeeignete Sorten anzubauen, die nicht die erwarteten Erträge bringen oder gar nicht gedeihen. In Regionen wie Äthiopien, wo die Ernährungssicherheit weiterhin prekär ist, hat die Optimierung der Anbauflächennutzung direkte Auswirkungen auf die Bekämpfung von Hunger und die Verbesserung der Ernährungssituation.

Dünge- und Nährstoffmanagement

Überdüngung ist Geldverschwendung und verschmutzt Gewässer. Unterdüngung mindert die Erträge. Präzisions-Nährstoffmanagement zielt auf die optimale Ausbringungsmenge für spezifische Feldzonen ab, basierend auf Bodenanalysen, Pflanzenbedarf und erwarteten Erträgen.

Maschinelle Lernmodelle prognostizieren den Düngebedarf durch die Analyse von Nährstoffgehalt, Pflanzenart, Wachstumsstadium, Wetterbedingungen und historischen Daten. Lineare Regressionsmodelle erreichen laut einer Studie in Nature eine Genauigkeit von 93,51 % bei der Düngemittelmengenbestimmung.

Variable Ausbringungsgeräte setzen diese Empfehlungen um und passen die Düngermenge während der Fahrt über die Felder an. GPS-Koordinaten verknüpfen Bodenanalysedaten mit den jeweiligen Standorten und ermöglichen so eine zonenspezifische Behandlung. Das Ergebnis: Landwirte bringen Nährstoffe genau dort aus, wo sie benötigt werden, und zwar in Mengen, die die Pflanzen tatsächlich aufnehmen können. Dadurch werden Kosten und Umweltbelastung reduziert.

Wettervorhersage und Klimaanpassung

Die landwirtschaftliche Planung hängt stark von den Wettervorhersagen ab. Aussaattermine, Bewässerungspläne, Pflanzenschutzmittelanwendungen und Erntezeitpunkte richten sich nach den prognostizierten Bedingungen. Traditionelle meteorologische Modelle liefern allgemeine regionale Vorhersagen, haben aber Schwierigkeiten mit hyperlokalen Prognosen.

Maschinelles Lernen verbessert die Wettervorhersage durch verschiedene Mechanismen. Modelle, die mit jahrzehntelangen historischen Daten trainiert wurden, erkennen subtile Muster, die bestimmten Wetterereignissen vorausgehen. Die Analyse von Satellitenbildern erkennt sich entwickelnde Sturmsysteme frühzeitig. Mikroklimamodelle berücksichtigen Topografie, Vegetation und Gewässer, die lokale Wetterschwankungen verursachen.

Für die langfristige Planung prognostizieren ML-Modelle Klimatrends und unterstützen Landwirte bei der Anpassung von Sorten, Aussaatterminen und Anbaumethoden an veränderte Bedingungen. Forschungsergebnisse zur Ertragsmodellierung von Ölsaaten, veröffentlicht vom US-Forstdienst (USDA Forest Service), demonstrieren verschiedene Ansätze des maschinellen Lernens zur Vorhersage der Leistung unter unterschiedlichen Klimaszenarien.

Unkrauterkennung und -bekämpfung

Unkräuter konkurrieren mit Nutzpflanzen um Wasser, Nährstoffe und Sonnenlicht. Der großflächige Einsatz von Chemikalien zur Bekämpfung ist teuer und umweltschädlich. Eine gezielte Behandlung erfordert die genaue Identifizierung der Unkrautstandorte.

Computergestützte Bildverarbeitungssysteme unterscheiden Nutzpflanzen von Unkrautarten anhand von Blattform, -farbe, -textur und Wachstumsmuster. Kameras an Traktoren oder Drohnen erfassen Bilder während der Feldfahrt. ML-Modelle verarbeiten diese Bilder in Echtzeit und steuern gezielte Sprühgeräte, die Herbizide nur auf erkanntes Unkraut ausbringen.

Die präzise Ausbringung reduziert den Herbizideinsatz im Vergleich zur flächendeckenden Anwendung um 50–901 µg/l und erzielt dabei eine gleichwertige oder sogar bessere Unkrautbekämpfung. Kosteneinsparungen und Umweltvorteile fördern die Akzeptanz, insbesondere in Regionen mit strengen Vorschriften zum Chemikalieneinsatz.

Vorteile, die maschinelles Lernen Landwirten bietet

Die Einführung neuer Technologien erfordert klare Vorteile, die die Implementierungskosten und den Lernaufwand überwiegen. Maschinelles Lernen in der Landwirtschaft bietet mehrere überzeugende Vorteile.

Erhöhte Ernteerträge

Durch die Optimierung zahlreicher Entscheidungen – vom Pflanzzeitpunkt über die Bewässerungsmenge und die Nährstoffauswahl bis hin zur Schädlingsbekämpfung – helfen maschinelle Lernsysteme Landwirten, die Produktivität jedes Hektars zu maximieren. Ertragssteigerungen von 10–301 TP3T werden häufig berichtet, abhängig von den bisherigen Anbaumethoden und der Kulturart.

Diese Verbesserungen verstärken sich im Laufe der Zeit, da die Modelle kontinuierlich aus neuen Daten lernen. Im ersten Jahr können sich nur geringfügige Verbesserungen zeigen. Ab der dritten oder vierten Saison übertreffen Systeme, die mit betriebsspezifischen Daten trainiert wurden, generische Empfehlungen deutlich.

Ressourceneffizienz und Kostenreduzierung

Die präzise Ausbringung von Wasser, Dünger, Pflanzenschutzmitteln und Kraftstoff senkt die Betriebskosten direkt. Der Wasserverbrauch kann um 20 l/300 Tonnen reduziert werden, während die Erträge erhalten oder sogar gesteigert werden. Der Düngemitteleinsatz sinkt um 15–25 l/300 Tonnen. Durch gezielte Behandlungen kann der Pflanzenschutzmitteleinsatz um die Hälfte oder mehr reduziert werden.

Die Arbeitseffizienz steigt, da die automatisierte Überwachung den Zeitaufwand für die Feldbegehung reduziert. Ein Landwirt, der die Sensoren auf den Dashboards überwacht, kann eine größere Fläche im Blick behalten als mehrere Feldbegeher. Maschinen arbeiten effizienter, wenn sie durch KI-optimierte Routen und Zeitpläne gesteuert werden.

Umweltverträglichkeit

Die Umweltbelastung durch die Landwirtschaft verringert sich, wenn maschinelles Lernen den Ressourceneinsatz optimiert. Weniger Düngemitteleinsatz bedeutet weniger Nährstoffauswaschungen, die Gewässer verschmutzen. Geringerer Pestizideinsatz schützt Nützlinge und reduziert die Belastung von Landarbeitern mit Chemikalien. Effiziente Bewässerung schont die immer knapper werdenden Wasserressourcen.

Der CO2-Fußabdruck verringert sich auf mehreren Wegen: weniger Kraftstoffverbrauch durch Geräte, die weniger Feldüberfahrten machen, geringere Emissionen bei der Düngemittelproduktion und beim Transport sowie eine verbesserte Bodengesundheit, die atmosphärischen Kohlenstoff bindet.

Risikominderung und Entscheidungsunterstützung

Die Landwirtschaft erfordert unzählige Entscheidungen mit ungewissem Ausgang. Maschinelles Lernen beseitigt diese Unsicherheit zwar nicht, liefert aber datengestützte Empfehlungen, die das Risiko reduzieren. Ertragsprognosen fließen in Entscheidungen zur Ernteversicherung und in die Preisgestaltung von Terminkontrakten ein. Krankheitsvorhersagen ermöglichen vorbeugende Behandlungen, bevor Ausbrüche erhebliche Schäden verursachen. Wettermodelle helfen dabei, kritische Arbeitsgänge wie die Ernte zeitlich optimal zu planen, um Verluste zu vermeiden.

Diese Entscheidungshilfe ist besonders wertvoll für weniger erfahrene Landwirte, denen jahrzehntelange Erfahrung mit den lokalen Gegebenheiten fehlt. Maschinelles Lernen demokratisiert Fachwissen und macht anspruchsvolles agronomisches Wissen über benutzerfreundliche Schnittstellen zugänglich.

Skalierbarkeit über verschiedene Betriebsgrößen hinweg

Frühe Präzisionslandwirtschaftstechnologien erforderten hohe Investitionen und waren daher auf große Industriebetriebe beschränkt. Cloudbasierte Lösungen für maschinelles Lernen ändern dies. Kleinere landwirtschaftliche Betriebe können über Abonnementdienste oder staatliche Förderprogramme auf leistungsstarke Analysetools zugreifen und zahlen nur für die tatsächlich bewirtschaftete Fläche.

Mobile Apps machen maschinelles Lernen für jeden Landwirt mit einem Smartphone zugänglich. Satellitenbilder sind zunehmend kostenlos oder kostengünstig verfügbar. Die Preise für Sensoren sinken weiter. Diese Entwicklungen ermöglichen es Kleinbauern – die einen Großteil der weltweiten Nahrungsmittelproduktion leisten – von Technologien zu profitieren, die einst der Agrarindustrie vorbehalten waren.

Wichtigste Herausforderungen für die Einführung von ML in der Landwirtschaft

Trotz nachgewiesener Vorteile steht maschinelles Lernen in der Landwirtschaft vor erheblichen Hürden für eine breite Anwendung. Das Verständnis dieser Herausforderungen hilft, realistische Erwartungen zu formulieren und die Entwicklungsbemühungen gezielt auszurichten.

Probleme mit Datenverfügbarkeit und -qualität

Maschinelle Lernmodelle sind nur so gut wie ihre Trainingsdaten. In der Landwirtschaft fallen riesige Datenmengen an, doch viele davon liegen in inkompatiblen Formaten vor, weisen Lücken auf oder es fehlen die notwendigen Bezeichnungen für überwachtes Lernen.

Kleine landwirtschaftliche Betriebe verfügen oft über keine historischen digitalen Aufzeichnungen. Sensoren funktionieren nicht oder müssen kalibriert werden. Die Wetterstationsabdeckung ist in vielen Agrarregionen noch immer lückenhaft. Satellitenbilder können durch Wolken beeinträchtigt sein. Die korrekte Kennzeichnung der Pflanzen – also die Kenntnis, welche Krankheiten tatsächlich auf den Pflanzen auftraten – erfordert fachkundige Bestimmung und sorgfältige Dokumentation.

Die Bemühungen um die Standardisierung von Daten sind hilfreich, doch die Inkonsistenz bleibt ein großes Hindernis. Modelle, die mit Daten von Maisfeldern in Iowa trainiert wurden, lassen sich nicht ohne Weiteres auf die Bedingungen in Äthiopien oder Indien übertragen, ohne dass ein umfangreiches Nachtraining erforderlich ist.

Infrastruktur- und Konnektivitätsbeschränkungen

Fortgeschrittene ML-Anwendungen benötigen eine Internetverbindung, um Sensordaten hochzuladen, Modellvorhersagen herunterzuladen und auf Cloud-Computing-Ressourcen zuzugreifen. In vielen ländlichen Agrarregionen fehlt es an zuverlässigem Breitbandinternet oder gar Mobilfunkempfang.

Die Verfügbarkeit von Strom ist ein weiterer limitierender Faktor. IoT-Sensoren benötigen Elektrizität – Solarpaneele funktionieren zwar in manchen Klimazonen, fallen aber bei längeren Bewölkungsperioden in anderen aus. Feldgeräte benötigen GPS-Signale, die durch Geländebeschaffenheit oder atmosphärische Bedingungen beeinträchtigt werden können.

Edge Computing – die Durchführung von ML-Inferenz auf lokalen Geräten anstatt auf Cloud-Servern – trägt zur Lösung von Konnektivitätsproblemen bei, erfordert jedoch teurere Hardware und beseitigt nicht die Notwendigkeit eines regelmäßigen Internetzugangs zur Aktualisierung der Modelle.

Technische Fähigkeiten und Wissenslücken

Die Implementierung von ML-Systemen erfordert technische Fähigkeiten, über die viele Landwirte nicht verfügen. Die Konfiguration von Sensoren, die Behebung von Softwareproblemen, die Interpretation von Modellergebnissen und die Integration mehrerer Systeme erfordern Kenntnisse, die über traditionelles agronomisches Wissen hinausgehen.

Schulungsprogramme und benutzerfreundliche Oberflächen verringern diese Hürde, doch ein gewisser Lernaufwand bleibt bestehen. Insbesondere ältere Landwirte sträuben sich möglicherweise gegen die Einführung komplexer digitaler Werkzeuge und bevorzugen Methoden, die sie seit Jahrzehnten erfolgreich anwenden.

Auch im Bereich der Agrartechnologie herrscht Fachkräftemangel. Es gibt nicht genügend Agronomen mit Kenntnissen in Datenwissenschaft oder Softwareentwickler mit landwirtschaftlichem Fachwissen. Bildungsprogramme beginnen zwar, diese Lücke zu schließen, doch der Aufbau ausreichender Expertise braucht Zeit.

Unsicherheit bezüglich Anfangsinvestition und Kapitalrendite

Obwohl Abonnementmodelle im Vergleich zu herkömmlichen Investitionen in Agrartechnologie die Einstiegshürden senken, erfordern ML-Systeme dennoch Investitionen. Sensoren, Geräte-Upgrades, Software-Abonnements und Schulungen kosten Geld – oft beträchtliche Summen für kleine Betriebe.

Die Rentabilität von Investitionen variiert stark je nach Kulturart, Betriebsgröße, bisherigen Anbaumethoden und der Effektivität, mit der Landwirte Erkenntnisse aus maschinellem Lernen nutzen. Die Quantifizierung des ROI ist schwierig, da Verbesserungen eher durch viele kleine Optimierungen als durch eine einzelne, tiefgreifende Veränderung erzielt werden. Landwirte zögern möglicherweise zu investieren, wenn die Vorteile ungewiss oder fern erscheinen.

Demonstrationsprojekte und Kostenbeteiligungsprogramme tragen dazu bei, den Nutzen nachzuweisen und das finanzielle Risiko zu reduzieren. Für eine breite Anwendung sind jedoch entweder überzeugendere wirtschaftliche Argumente oder eine politische Unterstützung erforderlich, die umfassendere gesellschaftliche Vorteile wie Umweltschutz und Ernährungssicherheit berücksichtigt.

Bedenken hinsichtlich Vertrauen und Interpretierbarkeit

Viele ML-Modelle funktionieren wie Blackboxes – sie liefern zwar präzise Vorhersagen, erklären ihre Vorgehensweise aber nicht auf eine für Menschen leicht verständliche Weise. Landwirte zögern daher verständlicherweise, wichtige Entscheidungen auf der Grundlage solcher undurchsichtiger Empfehlungen zu treffen.

Deep-Learning-Modelle leiden besonders unter Interpretierbarkeitsproblemen. Ein CNN, das Pflanzenkrankheiten mit einer Genauigkeit von 99% erkennt, kann nicht erklären, welche Bildmerkmale zu seiner Diagnose geführt haben. Lineare Modelle und Entscheidungsbäume liefern zwar klarere Begründungen, können aber Abstriche bei der Genauigkeit machen.

Vertrauen aufzubauen erfordert Transparenz hinsichtlich der Modellgrenzen, die Angabe von Konfidenzwerten neben den Vorhersagen und die Gestaltung von Benutzeroberflächen, die Empfehlungen als Entscheidungshilfe und nicht als Anweisungen präsentieren. Landwirte sollten stets die endgültige Entscheidungsgewalt über Managemententscheidungen behalten.

Neue Technologien zur Verbesserung des maschinellen Lernens in der Landwirtschaft

Maschinelles Lernen funktioniert nicht isoliert. Die Integration mit anderen fortschrittlichen Technologien vervielfacht seine Wirkung in der Landwirtschaft.

Internet der Dinge und Sensornetzwerke

IoT-Geräte erfassen kontinuierlich Felddaten, die in ML-Modelle eingespeist werden. Moderne Sensoren messen Dutzende von Parametern: Bodenfeuchtigkeit in verschiedenen Tiefen, Blatttemperatur, atmosphärische CO₂-Konzentration, Schädlingsfänge und vieles mehr.

Drahtlose Mesh-Netzwerke verbinden Sensoren über große Felder hinweg und übertragen Daten über Mobilfunk- oder Satellitenverbindungen an zentrale Gateways. Die Batterielebensdauer wird durch stromsparende Protokolle und Energiegewinnung aus Solar-, Wärme- oder Vibrationsquellen verlängert.

Eine in Nature veröffentlichte Studie zu IoT-gestützter intelligenter Landwirtschaft unterstreicht, dass IoT-basierte Sensorsysteme die Zuverlässigkeit von ML-Vorhersagen durch kontinuierliche und detaillierte Messungen deutlich verbessern. Die Kombination wandelt statische Momentaufnahmen in dynamische Überwachung um, die zeitliche Muster erfasst.

Fernerkundung und Satellitenbilder

Satelliten bieten eine beispiellose Abdeckung für die Überwachung großer Agrarflächen. Multispektrale und hyperspektrale Bildgebung liefert Informationen, die dem menschlichen Auge verborgen bleiben – Nahinfrarotreflexion gibt Aufschluss über die Pflanzengesundheit, thermische Spektren zeigen Wasserstress an und spezifische Wellenlängenverhältnisse quantifizieren den Chlorophyllgehalt.

Kommerzielle Satellitenkonstellationen liefern mittlerweile täglich Bilder in Auflösungen, die für die Bewirtschaftung einzelner Felder ausreichen. Kostenlose Daten von Programmen wie Landsat und Sentinel ermöglichen die Satellitenüberwachung auch Landwirten mit begrenzten Ressourcen.

ML-Modelle verarbeiten diese Bilddaten, um die Pflanzenentwicklung zu verfolgen, die Biomasse zu schätzen, beginnenden Stress zu erkennen und Erträge vorherzusagen. Die USDA-Forschung zur Maisertragsvorhersage nutzt insbesondere Fernerkundungsdaten als wichtige Eingangsgröße für ML-Modelle.

Robotik und autonome Systeme

Mithilfe von maschinellem Lernen gesteuerte Roboter machen die Landwirtschaft weniger arbeitsintensiv und präziser. Autonome Traktoren folgen optimierten Pfaden mit zentimetergenauer Präzision. Ernteroboter erkennen reifes Obst und pflücken es schonend. Unkrautroboter entfernen Unkraut, das per Computer Vision erkannt wurde, und machen so den Einsatz von Herbiziden überflüssig.

Drohnenschwärme führen Luftaufnahmen durch, säen Samen in präzisen Mustern aus und behandeln einzelne Pflanzen gezielt. Maschinelles Lernen koordiniert ihre Aktivitäten und optimiert Routen und Aufgabenverteilung auf mehrere Drohnen.

Forscher der Penn State University im Bereich Agrar- und Bioingenieurwesen haben modulare, robotergestützte Sprühsysteme mit Ausleger für die präzise Behandlung der Baumkronen in Obstplantagen entwickelt. Doktoranden werden im Umgang mit diesen KI-gestützten Präzisionswerkzeugen geschult.

Genomik- und Züchtungsanwendungen

Maschinelles Lernen beschleunigt die Pflanzenzüchtung durch genomische Selektion. Sequenzierungstechnologien sind bemerkenswert erschwinglich geworden. Ähnliche Kostensenkungen sind auch für Pflanzengenome möglich.

ML-Modelle lernen Zusammenhänge zwischen genetischen Markern und erwünschten Merkmalen wie Trockenheitstoleranz, Krankheitsresistenz oder Nährstoffgehalt. Züchter nutzen diese Modelle, um vorherzusagen, welche Kreuzungen überlegene Nachkommen hervorbringen, wodurch sich die Zuchtzyklen drastisch von 8–12 Jahren auf 3–4 Jahre verkürzen.

Eine in Nature veröffentlichte Studie über Anwendungen des maschinellen Lernens zur Verbesserung vernachlässigter Nutzpflanzen verdeutlicht, wie der Wissenstransfer von wichtigen Nutzpflanzen den Züchtungsfortschritt bei untergenutzten Arten beschleunigt.

Dieser Ansatz kommt insbesondere vernachlässigten Nutzpflanzen zugute – ernährungsphysiologisch wichtigen Arten wie Hirse, Teff oder Maniok, die nur wenig kommerzielle Forschungsinvestitionen erhalten. Maschinelles Lernen demokratisiert die Züchtungstechnologie und ermöglicht so Forschern, die an Nutzpflanzen arbeiten, die Millionen von Menschen in Entwicklungsländern ernähren, den Zugang zu komplexen genetischen Analysen.

Praxisnahe Umsetzung: Von der Forschung zur Anwendung

Die Übertragung von Forschungsergebnissen in einsatzfähige Systeme erfordert die Auseinandersetzung mit praktischen technischen Herausforderungen, die in wissenschaftlichen Arbeiten oft vernachlässigt werden.

System Integration

Landwirtschaftliche Betriebe nutzen Geräte und Software verschiedener Hersteller, die nicht für Interoperabilität ausgelegt sind. ML-Plattformen müssen Daten aus unterschiedlichen Quellen – John Deere-Traktoren, Valley-Bewässerungssystemen, Trimble-Sensoren, Wetter-APIs – verarbeiten, die jeweils unterschiedliche Datenformate und Kommunikationsprotokolle verwenden.

Integrations-Middleware löst diese Probleme durch die Übersetzung zwischen Systemen, erhöht aber die Komplexität und birgt potenzielle Fehlerquellen. Branchenweite Standardisierungsbestrebungen wie das ADAPT-Framework von AgGateway sind hilfreich, ihre Verbreitung ist jedoch noch nicht abgeschlossen.

Modellpflege und -aktualisierungen

Die Bedingungen in der Landwirtschaft verändern sich. Schädlinge entwickeln Resistenzen. Klimamuster verschieben sich. Pflanzensorten werden aktualisiert. ML-Modelle, die mit historischen Daten trainiert wurden, werden mit der Zeit ungenauer, da sich die Umwelt, die sie modellieren, verändert – ein Phänomen, das als Modelldrift bezeichnet wird.

Kontinuierliche Lernsysteme beheben Abweichungen, indem sie Modelle regelmäßig mit aktuellen Daten neu trainieren. Dies erfordert automatisierte Datenpipelines, Versionskontrolle für Modelle und Mechanismen zur Validierung, dass aktualisierte Modelle die Leistung verbessern und nicht verschlechtern.

Forschungsergebnisse zum wissensbasierten maschinellen Lernen, die in Nature veröffentlicht wurden, zeigen Frameworks auf, die prozessbasierte Modelle mit datengetriebenem maschinellem Lernen integrieren. Dieser hybride Ansatz bettet physikalische und biochemische Beschränkungen ein, die unrealistische Vorhersagen der Modelle verhindern, die Generalisierung verbessern und die Drift reduzieren.

UI-Design

Ausgefeilte ML-Modelle sind nutzlos, wenn Landwirte deren Ergebnisse nicht verstehen oder darauf reagieren können. Die Gestaltung der Benutzeroberfläche hat entscheidenden Einfluss auf die Akzeptanz und effektive Nutzung.

Zu den bewährten Methoden gehören die geografische Visualisierung von Vorhersagen auf Feldkarten, die Bereitstellung klarer Handlungsempfehlungen anstelle von Rohmodellwerten, die Angabe von Konfidenzniveaus zur Verdeutlichung der Unsicherheit sowie die Erläuterung der wichtigsten Faktoren, die die Vorhersagen beeinflussen, in verständlicher Sprache.

Angesichts der Tatsache, dass ein Großteil der landwirtschaftlichen Arbeit im Freien stattfindet, ist ein mobiles Design unerlässlich. Touch-optimierte Benutzeroberflächen, Offline-Funktionalität und minimaler Datenverbrauch tragen den Bedingungen im Feld und der eingeschränkten Konnektivität Rechnung.

Die Zukunft des maschinellen Lernens in der Landwirtschaft

Mehrere Trends werden die landwirtschaftliche Entwicklung von ML im kommenden Jahrzehnt prägen.

Grundlagenmodelle und Transferlernen

Auf umfangreichen und vielfältigen Datensätzen trainierte Basismodelle lassen sich mit relativ wenigen domänenspezifischen Daten für spezifische landwirtschaftliche Aufgaben feinabstimmen. Dieser Ansatz reduziert den Datenbedarf, der den Einsatz von maschinellem Lernen in kleinen landwirtschaftlichen Betrieben derzeit einschränkt, erheblich.

Grundlagenmodelle der Computer Vision, die mit Milliarden von Internetbildern trainiert wurden, erkennen bereits Pflanzen, Böden und Geräte ohne spezifisches landwirtschaftliches Training. Sprachmodelle können agronomische Texte und Anfragen von Landwirten verarbeiten. Genomische Grundlagenmodelle verstehen genetische Sequenzen über verschiedene Arten hinweg.

Die Anpassung dieser leistungsstarken allgemeinen Modelle an landwirtschaftsspezifische Aufgaben stellt einen effizienteren Weg dar, als für jede Kulturpflanze und Region spezialisierte Modelle von Grund auf neu zu trainieren.

Föderiertes Lernen für Datenschutz

Landwirte zögern verständlicherweise, Betriebsgeheimnisse über ihre Anbaumethoden, Erträge und Bewirtschaftungspraktiken preiszugeben. Diese Zurückhaltung schränkt die für das Training von ML-Modellen verfügbaren Datensätze ein und verringert somit deren Genauigkeit.

Föderiertes Lernen trainiert Modelle kollaborativ, ohne Daten zentral zu speichern. Jedes lokale System trainiert mit seinen eigenen Daten und teilt anschließend nur die Modellaktualisierungen – nicht die Rohdaten – mit einem zentralen Server, der die Verbesserungen aggregiert. Dieses Verfahren wahrt die Privatsphäre und ermöglicht gleichzeitig kollektives Lernen aus verteilten Datensätzen.

Kausale Schlussfolgerungen und Erklärungsmodelle

Aktuelle ML-Modelle sind hervorragend in der Vorhersage – sie prognostizieren, was passieren wird –, haben aber Schwierigkeiten bei der Handlungsempfehlung – sie bestimmen, welche Maßnahmen zu ergreifen sind. Methoden der Kausalanalyse identifizieren Ursache-Wirkungs-Beziehungen und ermöglichen es den Modellen so, Interventionen zu empfehlen, anstatt nur Ergebnisse vorherzusagen.

Das Verständnis, dass Trockenstress spezifische Ertragsminderungen verursacht, unterscheidet sich von der bloßen Vorhersage eines Zusammenhangs zwischen geringen Niederschlägen und schlechten Ernten. Kausale Modelle können kontrafaktische Fragen beantworten: “Wenn wir diese Woche statt nächste Woche bewässern, wie verändert sich der Ertrag?”

Diese Fähigkeit hebt maschinelles Lernen von der Entscheidungsunterstützung auf die autonome Optimierung, bei der Systeme nicht nur Bedingungen vorhersagen, sondern auch optimale Managementreaktionen bestimmen.

Klimaanpassung und Resilienz

Der Klimawandel stellt die größte langfristige Herausforderung für die Landwirtschaft dar. Maschinelles Lernen wird sich zunehmend darauf konzentrieren, Landwirten bei der Anpassung durch Sortenwahl, angepasste Anbaukalender, Wassersparstrategien und Risikomanagement zu helfen.

Die Initiative „Accelerating Impacts of CGIAR Climate Research for Africa“ (AICCRA) erreichte im Jahr 2024 1,8 Millionen Menschen mit Klimainformationsdiensten und klimaschonender Landwirtschaft, wodurch sich die Gesamtzahl der Begünstigten seit 2021 auf rund 9 Millionen erhöhte. Programme wie AICCRA zeigen, wie ML-gestützte Werkzeuge das Wissen zur Klimaanpassung in gefährdeten Agrarregionen verbreiten können.

Häufig gestellte Fragen