Die Kuh als Datennetzwerk
Mit Künstlicher Intelligenz Zusammenhänge sichtbar machen
Autorin: Kathrin Schuberth
Der Melkroboter kennt Milchmenge und Leitfähigkeit zur Überwachung der Eutergesundheit. Das Halsband registriert Fress- und Wiederkauzeiten, ein Bolus Temperatur und Aktivität. Dazu kommen Daten aus Milchleistungsprüfung, Fütterung, Fruchtbarkeit, Tiergesundheit und Stallklima. Was häufig fehlt, ist die Verbindung zwischen ihnen.
Genau darin liegt einer der nächsten großen Schritte der Digitalisierung. Denn der einzelne Messwert ist oft nur ein Puzzleteil. Erst wenn Informationen aus verschiedenen Quellen zusammengeführt werden, entsteht daraus ein Bild, das für Landwirtinnen und Landwirte tatsächlich zusätzliche Aussagekraft besitzt. Die Frage lautet deshalb immer weniger: Welcher Sensor misst was? Sondern: Welche Daten lassen sich sinnvoll verbinden und welcher zusätzliche Nutzen entsteht daraus?
Wenn einzelne Signale noch nichts verraten
Krankheiten kündigen sich selten mit einem einzigen eindeutigen Signal an, der Stallalltag ist voller natürlicher Schwankungen. Eine verkürzte Wiederkauzeit allein kann viele Ursachen haben. Kommen jedoch eine veränderte Aktivität, geringere Futteraufnahme oder Auffälligkeiten in der Milchleistung hinzu, entsteht ein anderes Bild. Aus einzelnen Beobachtungen wird ein Muster und genau hier kann KI ihre Stärke ausspielen.
Wie groß dieser Informationsgewinn sein kann, zeigt eine aktuelle Untersuchung zur subakuten Pansenazidose (SARA). Forschende kombinierten unter anderem Wiederkauzeit, Aktivität, Wasseraufnahme, Pansentemperatur, Milchmenge und Milchinhaltsstoffe. Mit einer Genauigkeit von 95 Prozent konnte das beste Machine-Learning-Modell zwischen gesunden und von SARA betroffenen Tagen bei Kühen unterscheiden. Das ersetzt keine tierärztliche Diagnose. Es zeigt aber das Prinzip: Wo ein einzelner Wert mehrdeutig bleibt, können mehrere Datenquellen gemeinsam ein eindeutigeres Warnsignal liefern.
Woran Bayerns Forschung gerade arbeitet
Genau an dieser Schnittstelle zwischen wissenschaftlichem Potenzial und Stallpraxis setzt die For-schung in Bayern an. Im Forschungsprojekt DigiMilchPro untersuchen die Bayerische Landesanstalt für Landwirtschaft (LfL), die Hochschule Weihenstephan-Triesdorf, die Ludwig-Maximilians-Universität München und die Hochschule Osnabrück, wie digitale Technologien, KI und vernetztes Datenmanagement Milchviehbetriebe im Arbeitsalltag unterstützen können. Ein Schwerpunkt liegt auf der Gesundheitsüberwachung von Milchkühen. Erprobt werden unter anderem KI-gestützte Verfahren zur frühen Erkennung von Lahmheiten und Hitzebelastung. Weitere Untersuchungen befassen sich mit digital unterstütztem Weidemanagement, etwa virtuellen Weidezäunen oder Konzepten für Weidehaltung in Betrieben mit automatischen Melksystemen.
Interview
Welche Chancen die Verknüpfung unterschiedlicher Datenquellen bietet, aber auch welche Herausforderungen dabei noch bestehen, erläutern die Projektkoordinatorinnen Dr. Isabella Lorenzini und Maria Schneider.
Warum rückt die Verknüpfung verschiedener Datenquellen immer stärker in den Fokus der Forschung?
Betriebsleiterinnen und Betriebsleiter, die in digitale Technologien investieren, suchen vor allem mehr Überblick und Arbeitsentlastung. Die teilweise noch mangelnde Interoperabilität bzw. Vernetzung zwischen Systemen und Geräten stellt in dieser Hinsicht ein Hindernis dar und führt einerseits zu Frust und Überforderung der Nutzerinnen und Nutzer, andererseits wird somit das Potenzial dieser Technologien nicht komplett ausgeschöpft. In der Forschung können wir in einer neutralen Umgebung aufzeigen, welche Vorteile eine Vernetzung von Systemen und die Verknüpfung von Daten haben könnten. Manchen Mehrwert dieser Verknüpfungen haben viele noch gar nicht auf dem Schirm und empfinden sie vielleicht noch nicht als relevant – das können wir mit gezielter Forschung ändern.
Welche Erkenntnisse habt ihr bereits durch die Kombination von Sensor-, Kamera- und Managementdaten gewinnen können?
Anhand von Forschungsprojekten an der LfL wissen wir, dass die Kombination von verschiedenen Daten zur Leistung, zum Verhalten und zur Physiologie der Tiere uns einen Vorteil beim Gesundheitsmonitoring bringt. Je mehr Informationen über ein Tier ich in statistischen Modellen miteinander kombinieren kann, desto genauer ist die Aussage bezüglich seines Gesundheitsstatus. Es lohnt sich also, an diesen Themen dranzubleiben und Hersteller dazu zu bewegen, sich mit anderen Herstellern zu vernetzen und offene Schnittstellen anzubieten. Davon profitieren nicht nur Betriebsleiterinnen und Betriebsleiter, sondern vor allem auch die Tiere.
Warum ist die frühzeitige Erkennung von Lahmheiten so schwierig und wie kann KI dabei unterstützen?
Klauenkrankheiten und folglich Lahmheiten sind ein multifaktorielles Problem. Das heißt, dass verschiedene Bereiche eine Rolle spielen (Fütterung, Haltung, Genetik usw.) und sich auch gleichzeitig viele Aspekte des Verhaltens und der Physiologie der Tiere infolge einer Lahmheit ändern. Hinzu kommt noch, dass jedes Tier doch ein bisschen anders ist und unterschiedlich auf ein Lahmheitsgeschehen reagiert. Genauso ist es auch mit der Milchleistung: diese sinkt nicht einfach, sobald ein Tier sichtlich lahm wird, sondern sie verändert sich oft schleichend schon Wochen bis Monate vor der ersichtlichen Gangveränderung des Tieres. Diese Aspekte sorgen dafür, dass die statistische Modellierung von Daten zur Klauengesundheit nicht immer dem gleichen Schema folgen kann und man dafür viele verschiedene Daten braucht, um genaue Aussagen treffen zu können.
Wie kann KI aus der Vielzahl vorhandener Daten genau die Hinweise herausfiltern, die im Stallalltag wirklich relevant sind?
KI kann in großen Datenmengen Muster und Auffälligkeiten erkennen und daraus relevante Hinweise oder Alarme für den Stallalltag ableiten. Voraussetzung dafür ist eine umfangreiche und qualitativ hochwertige Datengrundlage, aus der die KI lernen kann. Dadurch unterstützt sie Landwirt*innen bei der Sichtung und Verarbeitung großer Datenmengen und fasst relevante Informationen beispielsweise in Form von Meldungen im Herdenmanagementprogramm zusammen. Die KI dient dabei als Entscheidungshilfe – die Bewertung der Hinweise und die daraus abgeleiteten Managemententscheidungen liegen weiterhin bei der Landwirtin und beim Landwirt.
Mehr als Gesundheitsmonitoring
Werden Fütterung, Milchleistung, Verhalten und Gesundheitsinformationen gemeinsam betrachtet, lässt sich auch der Ressourceneinsatz differenzierter beurteilen. Ein Liter Milch steht dann nicht isoliert für Leistung, sondern kann im Zusammenhang mit Futteraufwand, Tierzustand und Management bewertet werden. Aktuelle Übersichtsarbeiten sehen darin Potenzial für präzisere Fütterung, effizientere Produktionssteuerung und eine gezieltere Nutzung von Arbeitszeit.
Auch die Umwelt lässt sich in dieses Datenbild einbeziehen. In einer aktuellen Untersuchung auf drei Milchviehbetrieben wurden Stalltemperatur und Luftfeuchtigkeit, Wetterdaten, Ammoniak und Kohlendioxid sowie verschiedene Gülleparameter in einem IoT-System zusammengeführt. Aus den verknüpften Daten ließen sich unter anderem Hitzestress und der Stickstoffgehalt der Gülle abschätzen. Das Beispiel zeigt: Datenvernetzung kann Tier-, Produktions- und Umweltmonitoring zusammenführen und damit Zusammenhänge sichtbar machen, die in getrennten Systemen verborgen bleiben.
Das digitale Abbild der Kuh
Noch einen Schritt weiter geht das Konzept des digitalen Zwillings. Dahinter steht die Idee, ein Tier oder einen Produktionsprozess digital abzubilden und dieses Modell fortlaufend mit aktuellen Daten zu aktualisieren. Ein solcher „Digital Twin“ soll nicht nur beschreiben, was gerade geschieht, sondern perspektivisch auch helfen, abzuschätzen, wie sich ein Tier oder ein Prozess unter veränderten Bedingungen entwickeln könnte.
Eine aktuelle Übersichtsarbeit zur Präzisionsfütterung von Milchkühen zeigt, wie anspruchsvoll das ist: Digitale Zwillinge benötigen kontinuierliche und qualitativ hochwertige Datenströme sowie belastbare Modelle. Viele Anwendungen befinden sich noch in Forschung und Entwicklung. Der digitale Zwilling ist deshalb weniger ein neues Gerät für den Stall als vielmehr die konsequenteste Weiterentwicklung der Datenvernetzung.
Nicht mehr Daten, sondern bessere Verbindungen
Der Milchviehstall der Zukunft dürfte kaum unter Datenmangel leiden. Die größere Aufgabe wird sein, aus einer wachsenden Zahl von Messwerten verlässliche Zusammenhänge zu gewinnen und diese so aufzubereiten, dass sie in bestehende Arbeitsabläufe passen.
Der Maßstab: Hilft die Technik, Veränderungen früher zu erkennen, Ressourcen gezielter einzusetzen und Entscheidungen fundierter zu treffen? Dann wird aus der Datensammlung tatsächlich Wissen.
Die Grundlage jeder Datenvernetzung: Daten erfassen
Das Staatsgut Almesbach zeigt im Videoformat „KNeDL auf Entdeckungstour“, wie vielfältig die Datengrundlage bereits ist.
Boerman, J. P. et al. (2025): Data processing techniques to improve data integration from dairy farms. JDS Communications 6(3), 339–344. DOI: 10.3168/jdsc.2024-0723.
Cabrera, V. E. et al. (2025): Data Integration and Analytics in the Dairy Industry: Challenges and Pathways Forward. Animals 15(3), 329. DOI: 10.3390/ani15030329.
Grigė, S. et al. (2026): Machine learning based detection of subacute ruminal acidosis in early lactation dairy cows using multi-sensor behavioral, physiological, and milk production data. Scientific Reports 16, 24624. DOI: 10.1038/s41598-026-55162-z.
Sharma, S. et al. (2026): Invited review: Milking the data for value-driven dairy farming. Journal of Dairy Science 109(4), 3137–3157. DOI: 10.3168/jds.2025-27011.
Rosa, E., Rincón, L. & Merino, P. (2026): Development and validation of an integrated IoT system for monitoring barn environment, gaseous concentrations and slurry management in dairy cattle farms. Internet of Things 37, 101914. DOI: 10.1016/j.iot.2026.101914.
Rao, S. & Neethirajan, S. (2025): Computational Architectures for Precision Dairy Nutrition Digital Twins: A Technical Review and Implementation Framework. Sensors 25(16), 4899. DOI: 10.3390/s25164899.
Dieser Artikel ist Teil der neuen KI-Rubrik im LKV-Magazin und beleuchtet regelmäßig spannende Themen rund um Künstliche Intelligenz in der Landwirtschaft. Gemeinsam mit dem LKV gestalten wir als Kompetenz-Netzwerk diese Beiträge mit und bringen aktuelle Entwicklungen, Anwendungen und Perspektiven ein.
Unser Ziel: praxisnah informieren, Orientierung bieten und die Potenziale von KI für die Landwirtschaft sichtbar machen.
Ihr Kontakt
Das könnte Sie auch interessieren
Bayern Innovativ Newsservice
Sie möchten regelmäßige Updates zu den Branchen, Technologie- und Themenfeldern von Bayern Innovativ erhalten? Bei unserem Newsservice sind Sie genau richtig!