STELAR

• Vollständiger Name des Projekts: Räumlich-zeitliche Linked-Data-Werkzeuge für den Agrar- und Lebensmitteldatenraum
• Projektakronym: STELAR
• Förderzeitraum: 1. Sep. 2022 – 31. Aug. 2025 (36 Monate)
• Finanzierung: Europäische Union unter dem Grant Agreement ID: 101070122
• Projekt-Homepage: STELAR

Die Landwirtschaft befindet sich in einem tiefgreifenden digitalen Wandel, bei dem Künstliche Intelligenz (KI) zunehmend eingesetzt wird, um Produktionsprozesse zu optimieren, die Nachhaltigkeit zu stärken und datenbasierte Entscheidungen im gesamten Agrifood-Sektor zu unterstützen. Die Wirksamkeit von KI hängt jedoch maßgeblich von der Verfügbarkeit hochwertiger, interoperabler und kontextreicher Daten ab. In der Praxis sind Agrifood-Daten über zahlreiche Akteure und Formate hinweg fragmentiert – von geospatialen und zeitlichen Daten über Sensor- und Satellitenströme bis hin zu Textdaten. Diese heterogenen Datensammlungen sind aufgrund inkonsistenter Formate, unzureichender Metadaten und fehlender semantischer Interoperabilität oft schwer auffindbar, interpretierbar und wiederverwendbar, was die Entwicklung robuster und vertrauenswürdiger KI-Systeme erheblich erschwert.

STELAR begegnet diesen Herausforderungen durch die Entwicklung einer umfassenden Daten- und KI-Infrastruktur, die auf einem innovativen Knowledge Lake Management System (KLMS) basiert. Das KLMS bereichert heterogene Agrifood-Daten durch semantische Strukturen, hochwertige Metadaten, Knowledge-Graph-Integration, Datenprofilierung, automatisierte Annotation und synthetische Datenerzeugung. Dadurch werden rohe Datenbestände in FAIR-Daten (auffindbar, zugänglich, interoperabel, wiederverwendbar) und AI-ready-Daten (hochwertig, zuverlässig annotiert, semantisch angereichert) transformiert. Diese Fähigkeiten ermöglichen eine intelligente Datenerkennung, semantische Interoperabilität sowie die Erstellung von Datensätzen, die sich für Machine Learning, prädiktive Modellierung und automatisierte Entscheidungsunterstützung eignen. Das Projekt validiert diesen integrierten Ansatz in drei realweltlichen Pilotanwendungen: der Prävention von Lebensmittelsicherheitsrisiken, der frühzeitigen Ertrags- und Wachstumsprognose anhand von Satelliten- und Sensordaten sowie präzisionslandwirtschaftlichen Maßnahmen auf Basis integrierter Feldsensordatenströme.

Unser Team konzentriert sich auf die Entwicklung bias-sensitiver KI-Pipelines, die die Robustheit gegenüber zentralen Verzerrungsfaktoren wie Klassenungleichgewicht, variablen Umwelt- und Wetterbedingungen sowie Datenknappheit erhöhen. Wir entwickeln Methoden zur Erzeugung hochgradig nutzwertiger synthetischer Daten, um die Datenqualität und Repräsentativität zu verbessern, und integrieren Explainable-AI-(XAI)-Techniken zur Validierung des Modellverhaltens.

Projektpartner 

• Athena Research and Innovation Center (ARC)
• The National and Kapodistrian University of Athens (UoA)
• Eindhoven University of Technology (TUE)
• Universität der Bundeswehr München (UniBw M)
• RapidMiner GmbH (RM) 
• Agroknow IKE (AK)
• VISTA GmbH (VISTA)
• ABACO 
• Foodscale

Projektkategorien

• Sprach- und Bildverarbeitung
• KI in der digitalen Verwaltung