WIR! - ArtIFARM – NAIFM: Nachweis von Nährstoffbiomarkern für das AI-vermittelte Düngemittelmanagement in der Landwirtschaft; TP1: XAI-NAIFM: Erklärbare KI zu Detektion von Früherkennungsmarkern

Das Ziel des Vorhabens ist die Optimierung der nötigen Nährstoffzufuhr durch Dünger mit Fokus auf Stickstoff auf dem Feld für verschiedene regional angebaute Kulturpflanzen. Hierzu soll ein System zur frühen und dynamischen Erkennung von Mangel- und Überangebotserscheinungen der Pflanzen entwickelt werden, welches auf neu identifizierten Merkmalen basiert, die aus Bildaufnahmen und deren Korrelation zu molekularen Markern gewonnen wurden. Durch erlernte kausale Zusammenhänge zwischen zeit- und ortsaufgelösten molekularen Biomarkern, Umgebungsvariablen und phänotypischen Bildaufnahmen von Drohnen mittels erklärbarer KI, wird eine Optimierung des Düngemittelverbrauchs und Management durch lokale und schnelle Reaktionen ermöglicht. In dem Einzelvorhaben XAI von NAIFM besteht die Aufgabe darin erklärbare „Deep Learning" Architekturen mit XAI-Komponenten wie LRP oder Grad-Cam zur Erkennung von molekularen Biomarkern für Stickstoffmangel/-stress zu implementieren um die Datenauswertung von Hochdurchsatz Datensätzen zu erleichtern. Darüber hinaus sollen die Bildaten der Pflanzen auf dem Feld analysiert werden um Phänotypen zu identifizieren, welche in den Zusammenhang mit Stickstoffdüngung gebracht werden können um als mögliche Früherkennungsmarker zu fungieren. Hierbei sollen „Convolutional Neural Nets" (CNNs) mit LRP implementiert werden.
In beiden Fällen müssen zuvor Methoden zur Reduktion von Hintergrundrauschen, Störfaktoridentifizierung und Prozessierungs- und Balancierungsschritte entwickelt werden, welche die geringe Anzahl an Replikaten
und deren hohe Variabilität berücksichtigen. ANschließend soll eine erklärbare KI-Methode zur Verknüpfung heterogener Daten (Bildaufnahmen, Omics Expressionswerte, Meta-Daten) implementiert werden um kausale Verknüpfungen für Stickstoffdüngung zu detektieren unter Hinzunahme der Umgebungsvariablen wie Bodenbeschaffenheit und Wettereinflüsse um eine hohe Robustheit zu i:1arantieren und die essentiellen Faktoren für die Landwirte zu extrahieren.