Im Rahmen des Versuchs steuerte ein auf Reinforcement Learning basierender Algorithmus der Künstlichen Intelligenz (KI) das Klima in einem semikommerziellen Gewächshaus, was zu einer ertragreichen Gurkenernte führte.
Ein weiterer Meilenstein war der erfolgreiche Einsatz eines digitalen Zwillings, der das Gewächshausklima, die Bewässerungsstrategie und das Pflanzenmanagement steuerte, teilte Wageningen University & Research (WUR) mit. Anja Dieleman, AGROS-Projektleiterin und Forscherin an der WUR, Geschäftsbereich Gewächshausgartenbau: “In den vergangenen zwei Jahren haben wir an den Bausteinen für den autonom gesteuerten Anbau von Gurken gearbeitet. Wir haben die Pflanzeneigenschaften bestimmt, die für die Entscheidungsfindung bei der Kulturführung und Klimaregelung wichtig sind, und die Sensoren zur Messung dieser Eigenschaften ausgewählt. Für die autonome Steuerung des Gewächshauses haben wir Algorithmen entwickelt, die auf zwei Ansätzen basieren: einem mechanistischen, modellbasierten Digitalen Zwilling und einem maschinellen Lernalgorithmus, der auf Reinforcement Learning basiert.” Zu Beginn dieses Jahres begann der Validierungsversuch: Die beiden Ansätze und eine Gärtnerreferenz wurden in einem Gewächshausversuch mit realen Gurkenkulturen angewandt, um ihre Leistung in den Forschungseinrichtungen der WUR in Bleiswijk (Niederlande) zu bewerten.
Ziel war es, einen möglichst hohen Nettogewinn zu erzielen, der durch das Gleichgewicht zwischen variablen Kosten (Strom, Erdgas, CO2) und Nutzen (Anzahl der geernteten Gurken, abhängig vom Fruchtgewicht) bestimmt wurde. Am 11. Mai wurden die letzten Gurken in den Gewächshausabteilen des AGROS-Validierungsversuchs geerntet.
Die Klimakontrolle und das Pflanzenmanagement im Anbaufach basierten auf dem aktuellen Wissen der Züchter und den besten Praktiken mit einer vordefinierten Anbau- und Bewässerungsstrategie, die darauf abzielte, ein ausgewogenes Pflanzenwachstum und eine ausgewogene Produktion zu erzielen. Grundlage der Strategie war der Bedarf der Pflanzen an Assimilaten, der durch Sonnenlicht, zusätzliche LED-Beleuchtung sowie die Temperatur- und CO2-Versorgungsstrategie gedeckt wurde. Die Bewässerungsstrategie führte zu Beginn des Anbaus zu einem hohen Wachstum der Pflanze. Als die ersten Blüten erschienen, wurde die Strategie für den Fruchtschnitt auf der Grundlage der Anzahl der neu gebildeten Blätter und der erwarteten Lichtverhältnisse festgelegt. Das Konzept der Experten bestand darin, eine wüchsige Pflanze anzubauen, deren Produktion die Kosten für Strom, Wärme und CO2 kompensieren sollte. “Die Anzahl der geernteten Früchte stimmte sehr gut mit dem vorhergesagten Ertrag überein, der auf dem zu Beginn des Versuchs erstellten Anbauplan beruhte. Das zeigt die Robustheit des Plans. Diese Kontrollstrategie erwies sich als vorteilhaft: Der Nettogewinn im Anbaufach war am höchsten”, sagt Dieleman.
Der Digitale Zwilling wurde durch das kombinierte Kultur- und Klimamodell des Geschäftsbereichs Gewächshausgartenbau erzeugt. In dieser realitätsnahen Umgebung ermittelte der Digitale Zwilling die ideale Steuerungsstrategie auf der Grundlage der Reaktionen des simulierten Klimas und der virtuellen Gurkenkultur. Er nutzte Echtzeitdaten von Klimasensoren und manuelle Pflanzenmessungen, um sich selbst zu kalibrieren und seine Regelstrategie während des Versuchs zu verbessern. Der Digitale Zwilling realisierte eine objektive Kontrollstrategie, bei der er die tatsächlichen Kosten gegen den erwarteten Nutzen abwog: die Gurken, die in den nächsten zwei Wochen geerntet werden sollten. Obwohl die Anzahl der geernteten Gurken geringer war, nutzte der Digitale Zwilling die Schwankungen des Strompreises optimal aus und erzielte so den niedrigsten Preis pro verbrauchter kWh Strom. “Mit Blick auf die nahe Zukunft ist der Digitale Zwilling der Anwendung des autonomen Anbaus in der kommerziellen Praxis am nächsten. Er ist in der Lage, in komplexen Gewächshausproduktionssystemen objektive Entscheidungen zu treffen und variable Ressourcenkosten und Produktpreise auszugleichen.”
Im dritten Gewächshausabteil wurde das Klima durch einen Reinforcement Learning (RL)-Algorithmus gesteuert, der auf virtuellen Datensätzen von Gurkenkulturen und Klima trainiert wurde. “Die Anwendung von KI im Gewächshausbau steckt noch in den Kinderschuhen, und dies war eines der ersten Male, dass ein Gewächshaus völlig autonom durch einen Reinforcement-Learning-Algorithmus gesteuert wurde.“ Das Modell konnte Beleuchtung, Bildschirmnutzung, CO2-Konzentration und Heizung steuern, war aber nicht darauf trainiert, die Bewässerung und den Obstschnitt zu kontrollieren. In den ersten drei Wochen der Kultivierung wurde die Steuerung vom “Gärtner”-Fach kopiert, und als die ersten Früchte gesetzt wurden, übernahm das RL die Steuerung. Dieses “Black Box”-Modell führte zu einem Gewächshausklima, das sich erheblich von dem der beiden anderen Abteile unterschied, aber die Pflanzen kamen mit den größeren Temperaturschwankungen gut zurecht. Das Ergebnis war eine gute Fruchterzeugung, trotz der Einschränkungen durch eine vorgegebene Fruchtschnittstrategie.
“Idealerweise hätten sich alle Kontrollen auf Klima- und Pflanzensensoren gestützt, die kontinuierlich, automatisch und objektiv Daten liefern. In diesem Validierungsversuch stützten wir uns jedoch noch auf manuelle Messungen, um sicherzustellen, dass die Kontrollsysteme nicht durch Systemausfälle beeinträchtigt werden. Der nächste Schritt in der Entwicklung der autonomen Gewächshaussteuerung ist die Einbeziehung von Sensoren in den Regelkreis, wofür robuste Sensoren erforderlich sind, die durch sanfte sensorgestützte Lösungen unterstützt werden”, so Anja Dieleman abschließend.
