Description: Das Projekt "Neue Maschinelle Lernverfahren zur akkurateren Pflanzenzüchtung durch Integration heterogener externer Faktoren" wird vom Umweltbundesamt gefördert und von Hochschule Weihenstephan-Triesdorf, Professur für Bioinformatik durchgeführt. Derzeit steht die Agrarindustrie unter großem Druck, neue Pflanzensorten schnell für ein sich änderndes Klima zu liefern und weniger Ressourcen zu verbrauchen. Ziel ist es, den Ertrag zu steigern und nachhaltiger zu werden. Um Züchtungsprogramme zu beschleunigen, benutzen Pflanzenzüchter Genomic Selection Methoden, mit denen der zu erwartende Wert eines Merkmals wie des Ertrags aus den genetischen Profilen von Pflanzen vorhergesagt werden kann, bevor die Pflanzen auf dem Feld getestet wurden. Die Merkmalsausprägung von Pflanzen wird von zwei wesentlichen Faktoren beeinflusst: Ihren genetischen, also vererbten Eigenschaften und der Umwelt, in der sie wachsen. Ziel des Verbundvorhabens 'CropML' ist es, Machine Learning (ML) Modelle zu entwickeln, die beides, also zusätzlich zur Genetik auch die Umwelteinflüsse integrieren. Dafür sollen Daten eingebunden werden, welche die Umwelt beschreiben, also z.B. Messwerte von Wetter, Bodenbeschaffenheit oder agronomischen Faktoren wie Düngemitteleinsatz. Während des Projektes werden passende Datenquellen für Umweltbeschreibungen identifiziert und diese so vorverarbeitet, dass sie mit den genetischen Daten für ML Modelle kompatibel sind. Neue ML Verfahren werden entwickelt, welche die sehr heterogenen Daten aus genetischen Profilen und Umweltfaktoren integrieren und den Einfluss beider Quellen auf das zu vorhersagende Merkmal modellieren können, insbesondere auch deren Zusammenwirken. Die entwickelten Methoden sollen weitgehend automatisiert werden, um Züchtern schnell Informationen für zeitkritische Entscheidungen liefern zu können. Dies wird eine präzisere Auswahl von vielversprechenden Sorten erlauben. Es wird auch dabei helfen, geeignete Sorten für neue Regionen und sich ändernde Klimabedingungen zu identifizieren. Durch den Einsatz der entwickelten Methoden erlangen Züchter einen ökonomischen und ökologischen Vorteil, in dem sie bessere und robustere Sorten mit weniger Ressourcen züchten können.
Types:
SupportProgram
Origin: /Bund/UBA/UFORDAT
Tags: Genetik ? Agrarindustrie ? Ernteertrag ? Pflanzenart ? Wetterdaten ? Bodenqualität ? Düngung ? Künstliche Intelligenz ? Pflanzenzüchtung ? Pflanze ? Modellierung ? Smart Breeding ? Ökologischer Faktor ? Ressource ? Kompatibilität ? Auslese ? Klimaressourcen ?
Region: Bayern
Bounding box: 12.53381° .. 12.53381° x 47.795° .. 47.795°
License: cc-by-nc-nd/4.0
Language: Deutsch
Time ranges: 2021-10-01 - 2024-09-30
Accessed 1 times.