Ein neu entwickeltes KI‑Framework ermöglicht die frühzeitige Diagnose von Maiskrankheiten, indem es sowohl Blattbilder als auch Wetterdaten analysiert und darauf basierend agronomische Handlungsempfehlungen generiert. Das System wurde von Forschern aus dem YEESI‑Labor in Zusammenarbeit mit Daten aus der NASA POWER‑Datenbank entwickelt und adressiert damit die Herausforderung, Ernteausfälle in Entwicklungsländern zu reduzieren.
Datengrundlage
Für die Bildanalyse wurden 1 200 Maisscheiben aus dem YEESI‑Lab‑Datensatz verwendet, während ein 61‑tägiger Wetterdatensatz für die Koordinaten von Morogoro, Tansania, aus der NASA POWER‑Datenbank bezogen wurde. Die Datensätze umfassen drei Krankheitsklassen – gesunde Pflanzen, Blattläuse und Maisspurvirus – sowie zugehörige Umweltparameter wie Temperatur, Luftfeuchtigkeit, Niederschlag und Sonneneinstrahlung.
Bildbasierte Klassifizierung
Der bildbasierte Teil des Frameworks nutzt ein tiefes neuronales Netzwerk, das eine Klassifizierungsgenauigkeit von 91 % erreichte. Die hohe Genauigkeit resultiert aus der Fähigkeit des Modells, feine visuelle Merkmale zu differenzieren, die für die einzelnen Krankheitsklassen charakteristisch sind.
Wetterbasierte Klassifizierung
Der separate Wetter‑Classifier zeigte geringere Leistungen, da sich die meteorologischen Profile der Krankheitsklassen teilweise überschneiden. Dennoch liefert er ergänzende Informationen, die für die nachfolgende Fusion von Bedeutung sind.
Multimodale Fusion
Durch die Kombination von Bild‑ und Wetterdaten in einem multimodalen Fusionsmodell stieg die Gesamtklassifizierungsgenauigkeit auf 94 % an. Das Ergebnis belegt, dass die Integration beider Datenquellen die Diagnoseverlässlichkeit erhöht.
Empfehlungs‑Engine
Auf Basis der Diagnoseergebnisse erzeugt eine regelbasierte Wissensbasis zusammen mit dem großen Sprachmodell Qwen2.5:7B kontextbezogene Handlungsempfehlungen für Landwirte. In einer blinden Bewertung mit dem LLM Llama 3.1:8B erhielt die Engine einen durchschnittlichen Qualitätswert von 4,80 von 5,00 Punkten über die Dimensionen Sicherheit, technische Genauigkeit, Relevanz, Umsetzbarkeit und Klarheit.
Bedeutung für die Praxis
Das vorgestellte End‑to‑End‑System bietet eine skalierbare Entscheidungsunterstützung für Präzisionslandwirtschaft, indem es schnelle, zuverlässige Diagnosen und sofort umsetzbare Empfehlungen liefert. Die Autoren sehen darin ein Potenzial, Erträge zu steigern und die Ernährungssicherheit in betroffenen Regionen zu verbessern.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access).
Ende der Uebertragung