Lebensmittelunternehmen stehen vor der Herausforderung, dass sie ihre Beschaffungsentscheidungen mehrere Wochen oder sogar Monate vor der Lieferung der eigentlichen Produkte treffen müssen. Nehmen wir zum Beispiel Mangos, die im Winter (Januar bis März) normalerweise aus Brasilien, Ecuador und Peru importiert werden. Zwischen März und Ende April verschiebt sich das Herkunftsgebiet in Richtung Elfenbeinküste, Mexiko und Puerto Rico. Es gibt jedoch große Unterschiede in Bezug auf den Zeitpunkt, an dem eine Saison endet und die Qualität und Menge der dort produzierten Erzeugnisse abnimmt und wann die neue Saison, d. h. die Verfügbarkeit reifer Erzeugnisse in relevanten Mengen, beginnt.
Die Lebensmittelscanner von tsenso, die im Wareneingang des Groß- und Einzelhandels betrieben werden, können jedoch nur die tägliche Qualität der Produkte beurteilen, wie sie eben ankommt. Der Versuch, die Qualität der im März aus der Elfenbeinküste eintreffenden Mangos anhand Qualität der im Januar aus Brasilien gelieferten Mangos vorherzusagen, ist nicht zielführend. Es gibt erste Anzeichen dafür, dass die Vorhersage des saisonalen Reifefortschritts auf der Grundlage von Satellitenbildern des Anbaugebiets zu vielversprechenden Ergebnissen führen könnte. Im Rahmen des Projekts MangoTune werden wir Satellitendaten der neuen deutschen ENMAP Mission und Sentinel 2 Hyperspektralbilder mit einer Auflösung von unter 100 m sowie Wetterdaten des Deutschen Wetterdienstes (DWD) nutzen, um eine frühzeitige Vorhersage der zu erwartenden saisonalen Qualität auf regionaler Ebene zu ermöglichen.
Ähnlich wie bei den Messungen mit unseren Scannern werden wir einen Merkmalsraum für die satellitengestützten multispektralen Sensoren entwickeln müssen, die im VIS/NIR/SWIR-Wellenlängenbereich arbeiten. Eine besondere Herausforderung wird darin bestehen, den Zeitbereich des Pflanzenwachstumsprozesses in den Regionen korrekt zu modellieren und die Daten mit den verfügbaren Kennzeichnungen zu verknüpfen. Wir können diese Daten nutzen, um CNN-basierte Regressoren für mehrere Kanäle zu trainieren. Auch hier wird ein halbüberwachter Ansatz in Betracht gezogen, um die riesige Menge an Satellitendaten über die Labels hinaus zu nutzen. Zusätzlich verfügen wir über tägliche Qualitätsmessungen, die von unseren Kunden in Deutschland seit 2021 durchgeführt werden. Diese Daten werden auch in Zukunft für die Closed-Loop-Optimierung der Modelle durch Re-Enforcement Learning verwendet.
In einem zweiten Arbeitsschritt werden die Satellitendaten auch zur Verbesserung der Genauigkeit unserer Scannermodelle verwendet. Es besteht ein enger Zusammenhang zwischen den Bedingungen, denen die Früchte während ihres Wachstums am Baum ausgesetzt sind, und ihrer Haltbarkeit nach der Ernte. Wir werden untersuchen, wie aus den Satellitendaten abgeleitete Merkmale bezüglich der umwelt- und pflanzenphysiologischen Parameter während des Wachstums und der Ernte die Genauigkeit der Scannerergebnisse verbessern können.
