Ertragsvorhersage für Hybridgetreide an neuen Standorten

Die Entscheidung, welche Hybride an welchem Standort angebaut wird, fällt vor der Saison – also bevor Wetter und Bodenbedingungen bekannt sind. Aus Versuchsergebnissen an bekannten Standorten auf unbekannte Standorte zu schließen, ist deshalb keine Randfrage, sondern die eigentliche Aufgabe des Züchtungs- und Vertriebsgeschäfts.

Mehrere Datensätze über einen Zeitraum von insgesamt 15 Jahren zu mehr als 2.000 Hybridtypen und Standorten, dazu genetische Marker sowie Boden- und Wetterparameter.

Ausreißer über mehrere Quellen identifizieren. Für jeden Datensatz wurde eine gründliche Analyse durchgeführt. Ausreißer innerhalb der Standorte ließen sich über überlappende geografische Daten, Klimainformationen und eine Vielzahl von Ereignissen identifizieren und anschließend entfernen. Der Punkt dabei: Ein Ausreißer ist an einem Standort nur erkennbar, wenn man ihn gegen andere Quellen stellt.

Dimensionalität der genetischen Daten reduzieren. Der genetische Datensatz wies große Redundanzen auf. Dadurch konnte die Dimensionalität deutlich reduziert werden – ohne Informationsverlust. Ein hochdimensionaler Markerdatensatz mit wenigen tausend Beobachtungen wäre sonst nicht modellierbar gewesen.

Wetter vorhersagen, um Ertrag vorhersagen zu können. Für unbekannte Standorte existieren keine Wetterdaten. Durch die Kombination verschiedener Raum-Zeit-Modelle ließ sich das Wetter mit 95 % Genauigkeit prognostizieren – ein eigenes Modell, das dem Ertragsmodell vorgeschaltet ist.

Der reduzierte genetische Datensatz wurde mit Wetter-, Boden- und Ertragsdaten in einem Trainingsdatensatz zusammengeführt. Auf dieser Grundlage haben wir mit verschiedenen Algorithmen die Hybridleistung mit 75 % Genauigkeit vorhergesagt.

Das Modell wurde erfolgreich auf die neuen Hybriden an 20.000 neuen Standorten angewandt. Damit ließ sich die leistungsfähigste Sorte für das Jahr 2017 bestimmen.

Der Aufbau – hochdimensionale Merkmalsdaten reduzieren, Umweltbedingungen für unbekannte Standorte prognostizieren und beides zu einer Leistungsvorhersage zusammenführen – entspricht strukturell der Vorhersage von Wirkstoffverhalten unter unbekannten Bedingungen. Die Aufgabe, aus Beobachtungen an bekannten Punkten auf unbeobachtete zu schließen, ist in beiden Feldern dieselbe.

Dieses Projekt zeigt am deutlichsten, wie sich das Feld verschoben hat. 2017 war jeder Baustein Eigenentwicklung; heute existieren für die meisten etablierte Standards.

Die genomische Vorhersage ist inzwischen ein eigenes Feld mit anerkannten Verfahren – genomische Selektion mit Verwandtschaftsmatrizen statt allgemeiner Dimensionsreduktion, und Modelle, die die Wechselwirkung zwischen Genotyp und Umwelt explizit abbilden statt sie implizit zu lernen. Die Umweltbeschreibung übernehmen heute Reanalysedaten wie ERA5 in Verbindung mit Pflanzenwachstumsmodellen; für die Wettervorhersage selbst sind maschinelle Lernmodelle an die Stelle klassischer Raum-Zeit-Statistik getreten und übertreffen sie deutlich. Der Phänotyp lässt sich über Satelliten- und Drohnendaten in einer Auflösung erfassen, die 2017 nicht verfügbar war. Und bei der Modellierung selbst kommen für Datensätze dieser Größe Foundation Models für tabellarische Daten in Frage, die es damals nicht gab.

Was gleich geblieben ist: Der Engpass liegt nicht beim Algorithmus, sondern bei der Ausreißerbereinigung und der Frage, wie man Umweltbedingungen für einen Standort beschreibt, an dem noch nichts gewachsen ist.