Drahtlose Sensornetze zur Erfassung des Blattflächenindex in der Präzisionslandwirtschaft

• Main Author: Bauer, Jan
• Other Authors: Prof. Dr. Nils Aschenbruck
• Format: Doctoral Thesis
• Language: German
• Published: 2020
• Subjects: Wireless Sensor Networks; Internet-of-Things; Leaf Area Index; Smart Farming; Precision Agriculture; 54.89 - Angewandte Informatik: Sonstiges; H.4.3 - Communications Applications; ddc:500
• Online Access: https://repositorium.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202007173328

Die kontinuierliche Überwachung von Pflanzenparametern spielt eine wichtige Rolle in der Präzisionslandwirtschaft. Als in situ Monitoring-Systeme erscheinen drahtlose Sensornetzwerke (engl. Wireless Sensor Networks (WSNs)) geeignet, um den Zustand von Kulturpflanzen zu erfassen und diesen in stets aktuelle Parameterkarten zu transformieren. Derartige Karten können potenzielle wachstums- und ertragsmindernde Faktoren frühzeitig identifizieren und Entscheidungshilfen geben, die zu einer ortsdifferenzierten, zielgerichteten und nachhaltigen Bewirtschaftung landwirtschaftlicher Produktionsflächen beitragen. Die vorliegende kumulative Dissertation beschäftigt sich in diesem Zusammenhang mit der automatisierten und kosteneffizienten in situ Erfassung eines wichtigen Pflanzenparameters, dem sogenannten Blattflächenindex (engl. Leaf Area Index (LAI)). Mittels handelsüblicher WSN-Hardware wird zunächst ein kostengünstiger Sensor-Prototyp für eine passive, transmissionsbasierte LAI-Erfassung konzipiert und, begleitet durch Feldkampagnen, experimentell weiterentwickelt. Im Verlauf der Arbeit wird eine auf die spezielle Anwendung zugeschnittene Netzwerkarchitektur entworfen, die den Prototypen in ein ganzheitliches Langzeit-Monitoring-System überführt. Durch exemplarisch realisierte Deployments an zwei unterschiedlichen Standorten und den daraus erfassten empirischen Datensätzen wird das Potenzial drahtloser Sensornetzwerke für eine kontinuierliche und zeitlich hochauflösende LAI-Erfassung analysiert. Dabei werden effektive Methoden zur Prozessierung und Filterung von in situ Sensordaten entwickelt und untersucht, inwieweit diese die Qualität der abgeleiteten LAI-Schätzung verbessern. Ein Schwerpunkt der empirischen Potenzialanalyse liegt dabei auf der differenzierten Erfassung von sortenspezifischen und trockenstressbedingten Veränderungen. Weiterhin wird der Einfluss von Umwelt und Vegetation auf die Qualität drahtloser Verbindungen in landwirtschaftlichen WSN-Deployments betrachtet. Basierend auf dem empirischen Datensatz wird gezeigt, dass das Pflanzenwachstum die Qualität exemplarischer Verbindungen beeinträchtigt. Aus dieser Beobachtung wird ein Modell für ein signalstärkebasiertes Pflanzen-Monitoring abgeleitet und die generelle Machbarkeit dieses neuartigen Ansatzes untersucht.