🧭 Inhalte im Überblick:

1. Einordnung & Relevanz

Agrardaten als Rückgrat digitaler Landwirtschaft.

Landwirtschaft steht unter Druck: Klimawandel, Biodiversitätsverlust, Ernährungssicherheit.

Digitalisierung bietet Lösungsansätze – aber nur mit qualitativ hochwertigen, interoperablen Daten.

2. Datenkategorien & Beispiele

Agronomische Daten (Sorten, Dünger, Pflanzenschutz).

Umweltdaten (Boden, Wetter, Hydrologie).

Marktdaten (Preise, Betriebskosten).

Zeitlich und räumlich hochaufgelöst: z. B. Satellitendaten, Wetterzeitreihen.

3. Datenwissenschaft in der Praxis

KI-Methoden: z. B. Krankheitsdetektion mit CNN, Ertragsprognosen, NLP zur Analyse von Berichten.

Beispiele aus Publikationen und Fallstudien.

Datenverarbeitung von der Erfassung über die Analyse bis zur Umsetzung auf dem Feld.

4. Ontologien, Standards & Datenqualität

Strukturierung landwirtschaftlicher Begriffe (BBCH, EPPO, AGROVOC).

Standards wie ISOBUS oder ADAPT für Maschinen- und Softwareintegration.

5. Struktur der Vorlesung

Gliederung nach Themen wie Ertrag, Profitabilität, Resilienz, Bodenbearbeitung, Aussaat, Düngung, Pflanzenschutz, Ernte.

Praktische Übungen u. a. mit xarvio Field Manager und John Deere Operations Center.

Exkursionen zum „Waldacker“-Feld in Rheinland-Pfalz.

6. Ökonomische Einbettung

Überblick über die Agrarwertschöpfungskette (Upstream–Farming–Downstream).

Rolle von Playern wie Bayer, Nestlé, Lidl oder Aldi.

Verknüpfung von Daten mit realen Märkten, Produktionssystemen und Wertschöpfung.

7. Übungen & Anwendungsbeispiele

Erstellung eines digitalen Feldes.

Verbindung von Datenerfordernissen mit Automatisierungs- und Reifegradmodellen (SAE, TRL).

Beispiel: Agxeed AgBot – Anforderungen an hochautomatisierte Maschinen.

🧑‍🎓 Zielgruppe & Nutzen

Studierende aus Agrar-, Daten- oder Umweltwissenschaften.

Personen, die digitale Technologien sinnvoll in der Landwirtschaft einsetzen wollen.

Ideal auch für Berater\:innen, Entwickler\:innen und politische Entscheidungsträger.