Globale Plattform für Unkrautbekämpfungsversuche

Unkraut behindert das Wachstum der Kulturpflanzen und mindert damit direkt den Ertrag. Agronomische Praktiken in Kombination mit chemischen Herbiziden können diesen Schaden wirksam verringern – welche Kombination unter welchen regionalen Bedingungen wirkt, lässt sich aber nur über globale Feldversuche beantworten.

Das Ziel war eine umfassende Bewertung von Kosten und Wirksamkeit der untersuchten Praktiken, aus der sich Handlungsempfehlungen ableiten lassen. Der Weg dorthin führte über ein Datenproblem: Die zuvor aufgezeichneten Erhebungsdaten waren an den verschiedenen Standorten sehr heterogen erfasst.

Erhebungsdaten aus regionalen Feldversuchen mehrerer Länder, jeweils in eigenen, gewachsenen Formaten – sowie die Kostendaten, ohne die eine Wirtschaftlichkeitsbewertung nicht möglich ist.

Ein globales Format einführen, ohne die Regionen zu verlieren. Für eine zentrale Plattform musste ein einheitliches Datenformat definiert und die regionalen Formate daran angepasst werden. Das ist weniger ein technisches als ein organisatorisches Problem: Das Format muss so gebaut sein, dass die Regionen ihre Erfassung darin wiederfinden.

Dynamik in den Berichten. Die Dashboards mussten von den Nutzern selbst anpassbar sein, damit spezifische Berichte erstellt und exportiert werden können – statt einer festen Auswertung, die für die nächste Frage nicht mehr passt.

Anpassbare Erfassungsvorlage statt Migrationsprojekt. Wir haben eine weitgehend anpassbare Vorlage zur Datenerfassung entworfen, die vorhandenen Daten darin übernommen und damit gleichzeitig festgelegt, wie künftige Erhebungen dokumentiert werden. Der entscheidende Punkt: Die Standardisierung wirkt nach vorne, nicht nur rückwärts.

Automatische Transformation in R. Für die Pipeline zur Datentransformation kam R mit dem Wrangling-Paket dplyr zum Einsatz.

Zentrale Plattform in Tibco Spotfire. Sie führt die verschiedenen regionalen Plattformen zusammen und bewertet die Kosteneffizienz über Regionen hinweg. Dashboards und Berichte sind über den Webbrowser erreichbar.

Die Messergebnisse mehrerer Länder und der zugehörigen Feldversuche wurden erfolgreich in die zentrale Plattform importiert; weitere Länder und künftige Experimente kommen laufend hinzu. Bestehende Grafiken und Filter erweitern sich dabei automatisch, wenn neue Daten eintreffen – die Plattform muss nicht bei jeder Erweiterung angefasst werden.

Landwirte erhalten damit eine schnelle wirtschaftliche Bewertung einzelner Unkrautbekämpfungspraktiken und des Einsatzes bestimmter Produkte.

Der weiterreichende Effekt liegt in der Standardisierung selbst: Weil die Daten einheitlich erfasst und automatisch verarbeitet werden, lassen sie sich mit Machine-Learning-Methoden tiefer analysieren und mit anderen Feldversuchsergebnissen, Wetterdaten oder detaillierteren Produktinformationen zusammenführen. Das eröffnet Analysen, die vorher nicht möglich waren.

Heterogene Erfassung in eine gemeinsame Struktur zu überführen und darauf eine Auswertung zu setzen, die sich selbst erweitert, ist die Aufgabe in jeder multizentrischen Studie – in der Landwirtschaft wie in der klinischen Forschung.

Was wir 2021 „globales homogenes Datenformat“ nannten, heißt heute Data Contract und ist ein etabliertes Konzept mit eigenem Werkzeugkasten: Schemata werden versioniert wie Code, und automatisierte Tests weisen Verstöße bei der Datenlieferung zurück, statt sie in der Auswertung sichtbar werden zu lassen. Die Transformationspipeline würden wir heute in dbt bauen, mit Tests direkt an den Transformationen, und die Daten in einem Lakehouse-Format ablegen, das mehrere Auswertungswerkzeuge gleichzeitig bedient – statt sie an ein BI-Werkzeug zu binden. Die Erfassung selbst würde bereits am Entstehungsort validiert, per mobiler Eingabe mit Plausibilitätsprüfung im Feld. Und das Versprechen, die Daten später mit anderen Quellen zusammenführen zu können, ist heute keine Perspektive mehr, sondern der Normalzustand einer solchen Plattform.