Förderprojekte

Förderbeginn 01.07.2018

Datenanalyse von Bodenqualitätsdaten

Prof. Dr. Markus U. Mock
Hochschule Landshut
Fakultät Informatik

Prof. Chandra Krintz
University of California, Santa Barbara
Department of Computer Science

Die landwirtschaftliche Produktion steht unter enormen Druck, die Erträge zu steigern, um mit dem Wachstum der Weltbevölkerung Schritt zu halten und gleichzeitig nachhaltig zu handeln. Dies bedeutet, dass die Bodenqualität trotz intensiver landwirtschaftlicher Nutzung erhalten bleiben muss. In diesem Projekt erweitern wir eine bestehende Seekur Roboter-Plattform (FARMBA), um autonom und kontinuierlich Messdaten zur Bodenqualität zu erhalten. Darüber hinaus umfasst die Plattform auch Wetterdatensensoren. Die Plattform generiert kontinuierlich Sensordaten, die für Analysen gespeichert und verarbeitet werden müssen. Wir planen die Nutzung unserer bestehenden Datenverarbeitungspipeline und maschinellen Lerntechniken und erweitern sie, um sie für eine völlig neue Problemstellung anwendbar zu machen. Wir haben zwei Hauptziele für unser Projekt: (1) die Docker-basierte Verarbeitungspipeline für die von FARMBA erworbenen Bodensensordaten zu nutzen, um ein skalierbares und flexibles Speicher- und Analyse-Backend für die Roboterdaten zu entwickeln und (2) Modelle des maschinellen Lernens zu entwickeln die es ermöglichen, eine drohende Verschlechterung der Bodenqualität automatisch zu erkennen und die dazu beitragenden Faktoren autonom zu identifizieren.

Abschlussbericht
Der ursprünglich vorgeschlagene Forschungsschwerpunkt der Bereitstellung von Datenanalysen für die Bodenqualität erwies sich als nicht realisierbar. Leider wurde die Roboterplattform, welche die bodenbezogenen Daten bei UCSB liefern sollte, nicht rechtzeitig verfügbar (tatsächlich ist sie derzeit immer noch nicht verfügbar). Wir konnten jedoch unsere Bemühungen im selben Bereich (IoT und Datenanalyse für Smart Farming) auf einen anderen Schwerpunkt konzentrieren, der sich als sehr erfolgreich herausstellte und zu zwei direkt zusammenhängenden Veröffentlichungen auf zwei hochrangigen Konferenzen führte.

Das Projekt konzentrierte sich folglich auf zwei verwandte Vorhaben: Sensorsynthese und Edge Computing (nicht nur) für Smart Farms. Ein Problem, das bei gängigen IoT-Rechnerplattformen wie dem Raspberry Pi oder dem Arduino-Mikrocontroller auftritt, ist der begrenzte (Port-) Platz für Sensoren. Wenn daher eine gewünschte Messung, z. B. die Außentemperatur, aus anderen Werten abgeleitet (= synthetisiert) werden kann, kann der eingesparten Platz für andere Sensoren verwendet werden oder die Energiekosten für die Instrumente können gesenkt werden.

In unserem ICIOT-Artikel konnten wir die Außentemperatur basierend auf der CPU-Temperatur des Raspberry Pi in Kombination mit einem Internet-Wetterdienst für den Farmstandort mit einer Genauigkeit von 1 Grad Fahrenheit erfolgreich synthetisieren.

Ein zweites signifikantes Problem für Smart Farming ist die Bereitstellung einer robusten Computerplattform auf dem Farmgelände, d. H. die Bereitstellung einer Edge-Computerplattform. Edge-Computing ist erforderlich, da die Internetverbindung an Farmstandorten häufig unzureichend oder gar nicht verfügbar ist, was bei der UCSB-Smart-Farm der Fall ist. Da sich die Farm in einer erheblichen Entfernung von dem Ort befindet, an dem sich die IT-versierten Mitarbeiter befinden (der Hauptcampus von UCSB), muss die Computerplattform robust sein und sich selbst reparieren, da es lang dauern würde bi ein Absturz repariert wäre, was zu einer geringe Systemverfügbarkeit führen würde.

In unserem Edge-Computing Artikel haben wir Techniken zur Implementierung einer langlebigen Edge-Cloud vorgestellt, indem wir ein System namens Mandrake implementiert haben, welches das Hosting eines Hadoop-Clusters mit Intel NUC-Geräten ermöglicht. Mandrake ist sehr robust und selbstheilend und läuft weiter, solange kein Fehler 50% oder mehr aller Rechenknoten gleichzeitig eliminiert. Im Falle eines Knotenausfalls skaliert Mandrake nahtlos auf die verbleibenden Rechenknoten und integriert Knoten, die repariert wurden (z. B. durch Aus- und Wiedereinschalten, was auch vom lokalen Farmpersonal durchgeführt werden kann), wieder in das Edge-Computing- Cluster. Dieser Prozess wirkt sich nicht auf die in der Edge Cloud ausgeführten Programme aus, abgesehen von einer Leistungseinbuße, die der Menge an verlorener Rechenleistung entspricht.