Skip to main content
SpringerLink
Log in

Chancen und Risiken der Digitalisierung für eine Ökologisierung einzelner Arbeitsschritte der ackerbaulichen Produktion

  • Conference paper
  • First Online:
Umweltinformationssysteme - Wie trägt die Digitalisierung zur Nachhaltigkeit bei?

Zusammenfassung

Die landwirtschaftliche Produktion befindet sich in einem Spannungsfeld. Zum einen hat sie als kritische Infrastruktur die Aufgabe, eine wachsende Weltbevölkerung zuverlässig zu ernähren und mit Energie zu versorgen. Hinzu kommen Herausforderungen wie die Auswirkungen des Klimawandels, ein begrenztes Flächenangebot sowie steigende Ansprüche von Verbraucher*innen. Zum anderen sollen die durch die Landwirtschaft verursachten negativen Umweltwirkungen, wie der globale Verlust an Biodiversität und die Emission von Treibhausgasen, reduziert werden. Der zunehmende Einsatz digitaler Technologien wird dabei häufig als Lösungsansatz beschrieben, der einen präzisen, bedarfsorientierten Ackerbau ermöglicht. Ziel der Arbeit ist daher die Identifikation von Chancen und Risiken der landwirtschaftlichen Digitalisierung für einen ökologischeren Ackerbau. Dazu wird eine ganzheitliche und umweltbezogene Betrachtung vorgenommen. Hierfür werden mittels einer Analyse von aktueller Literatur die Potenziale digitaler Technologien für eine Reduzierung der Umweltwirkungen einzelner ackerbaulicher Arbeitsschritte untersucht. Außerdem erfolgt eine Betrachtung von Rebound-Effekten, die eine Digitalisierung hinsichtlich einer ökologischeren Produktion aufweist. Es konnte gezeigt werden, dass digitale Technologien in der Lage sind, zu einer deutlichen Reduzierung der negativen Umweltwirkungen der Landwirtschaft beizutragen. Insbesondere die Verminderung der Applikationsmengen von Düngemitteln und Pestiziden durch Kartierungsverfahren, Sensorik und präzise Ausbringung können zu zahlreichen ökologischen Vorteilen führen. Voraussetzung dafür ist jedoch die Minimierung der bestehenden Risiken in Form von Rebound-Effekten.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 79.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 99.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Literatur

  1. Witzke, H. von (2012). Das Ende der Landwirtschaftlichen Tretmühle: Implikationen für Welternährung Klimaschutz und Biodiversität. Vierteljahreshefte zur Wirtschaftsforschung 81 4 63 70 https://doi.org/10.3790/vjh.81.4.63

  2. European Environmental Agency. (2019). Annual European Union greenhouse gas inventory 1990–2017 and inventory report 2019. EEA Report No 6/2019, https://www.eea.europa.eu/publications/european-union-greenhouse-gas-inventory-2019.

  3. Power, A. G. (2010). Ecosystem services and agriculture: Tradeoffs and synergies. Philosophical transactions of the Royal Society of London, 365(1554), 2959–2971. https://doi.org/10.1098/rstb.2010.0143

    Article  Google Scholar 

  4. Bacco, M., Barsocchi, P., Ferro, E., Gotta, A., & Ruggeri, M. (2019). The digitisation of agriculture. A survey of research activities on smart farming. Array, 3–4, Artikel 100009. https://doi.org/10.1016/j.array.2019.100009

  5. Zhai, Z., Martínez, J. F., Beltran, V., & Martínez, N. L. (2020). Decision support systems for agriculture 4.0. Survey and challenges. Computers and Electronics in Agriculture, 170, Artikel 105256. https://doi.org/10.1016/j.compag.2020.105256

  6. Klerkx, L., Jakku, E., & Labarthe, P. (2019). A review of social science on digital agriculture, smart farming and agriculture 4.0: New contributions and a future research agenda. NJAS – Wageningen Journal of Life Sciences 90–91, Artikel 100315. https://doi.org/10.1016/j.njas.2019.100315

  7. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big data in smart farming – A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023

    Article  Google Scholar 

  8. Pedersen, S. M., Fountas, S., Blackmore, B. S., Gylling, M., & Pedersen, J. L. (2004). Adoption and perspectives of precision farming in Denmark. Acta Agriculturae Scandinavica, 54(1), 2–8. https://doi.org/10.1080/09064710310019757

    Article  Google Scholar 

  9. Gandorfer, M., Schleicher, S., Heuser, S., Pfeiffer, J., & Demmel, M. (2017). Landwirtschaft 4.0 – Digitalisierung und ihre Herausforderungen. In G. Wendl (Hrsg.), Ackerbau – technische Lösungen für die Zukunft, Landtechnische Jahrestagung am 21. November 2017 in Deggendorf (S. 9–19), https://www.lfl.bayern.de/mam/cms07/publikationen/daten/schriftenreihe/ackerbau-technische-loesungen-zukunft-landtechnische-jahrestagung-2017_lfl-schriftenreihe.pdf.

  10. Conesa-Muñoz, J., Bengochea-Guevara, J. M., & Ribeiro, A. (2013). Path planning to mini-mise distances and recharging instances for a small fleet of vehicles in an arable field. In J. V. Stafford (Hrsg.), Precision agriculture ’13, (S. 373–380), Wageningen: Wageningen Academic Publishers. http://dx.doi.org/https://doi.org/10.3920/978-90-8686-778-3

  11. Gaus, C.-C., Minßen, T.-F., Urso, L.-M., Witte, T. de, & Wegener, J. (2018). Mit autonomen Landmaschinen zu neuen Pflanzenbausystemen. https://orgprints.org/32438/.

  12. Noack, P. O. (2018). Einsatz von Multi- und Hyperspektralsensoren in der Landwirtschaft. In T. P. Kersten, E. Gülch, J. Schiewe, T. H. Kolbe, & U. Stilla (Hrsg.), Photogrammetrie – Fernerkundung – Geoinformatik – Kartographie, (S. 840–850), https://mediatum.ub.tum.de/doc/1444485/909142.pdf.

  13. Wegener, J. K., Hörsten, D. von, & Urso, L.-M. (2018). Mit Spot Farming zur nachhaltigen Intensivierung in der Pflanzenproduktion. In H. Nordmeyer, & L. Ulber (Hrsg.), 28. Deutsche Arbeitsbesprechung über Fragen der Unkrautbiologie und -bekämpfung, (S. 19–23), https://ojs.openagrar.de/index.php/JKA/issue/view/1486.

  14. Herlitzius, T., Grosa, A., Hengst, M., & Przybyla, M. (2019). Bodenbearbeitungstechnik. In L. Frerichs (Hrsg.), Jahrbuch Agrartechnik, (S. 107–121), https://publikationsserver.tu-braunschweig.de/receive/dbbs_mods_00068133.

  15. Shamal, S. A. M., Alhwaimel, S. A., & Mouazen, A. M. (2016). Application of an on-line sensor to map soil packing density for site specific cultivation. Soil and Tillage Research, 162, 78–86. https://doi.org/10.1016/j.still.2016.04.016

    Article  Google Scholar 

  16. Pfaffmann, S., Moraes Boos, F. de, Tarasinski, N., & Kegel, V. (2019). Swarm unit. Development of a fully electric agricultural machine with external power supply. In VDI Wissensforum GmbH (Hrsg.), Land.Technik AgEng 2019: The forum for agricultural engineering innovations, (S. 401–408). Düsseldorf: VDI.

    Google Scholar 

  17. Blender, T., Buchner, T., Fernandez, B., Pichlmaier, B., & Schlegel, C. (2016). Managing a mobile agricultural robot swarm for a seeding task. In Institute of Electrical and Electronics Engineers (Hrsg.), IECON 2016 – 42nd Annual Conference of the IEEE Industrial Electronics Society, (S. 6879–6886), https://ieeexplore.ieee.org/document/7793638/.

  18. Schwich, S., Stasewitsch, I., Fricke, M., & Schattenberg, J. (2018). Übersicht zur Feld-Robotik in der Landtechnik. In L. Frerichs (Hrsg.), Jahrbuch Agrartechnik, (S. 36–46), https://publikationsserver.tu-braunschweig.de/receive/dbbs_mods_00066169.

  19. Pavan, T. V., Suresh, R., Prakash, K. R., & Mallikarjuna, C. (2017). Design and development of agribot for seeding. International Research Journal of Engineering and Technology, 4(5), 1009–1012. https://doi.org/10.1109/ICIMIA48430.2020.9074856

    Article  Google Scholar 

  20. Naik, N. S., Shete, V. V., & Danve, S. R. (2016). Precision agriculture robot for seeding function. In Proceedings of the International Conference on Inventive Computational Technologies (ICICT 2016), (S. 1–3). https://ieeexplore.ieee.org/document/7824880.

  21. Hughes, M., Mlambo, V., Lallo, C. H. O., & Jennings, P. G. A. (2016). Optical chlorophyll measurements as predictors of total nitrogen, nitrogen fractions and in vitro ruminal nitrogen degradability in tropical grass forages. African Journal of Range & Forage Science, 33(4), 253–264. https://doi.org/10.2989/10220119.2016.1264480

    Article  Google Scholar 

  22. Padilla, F. M., Farneselli, M., Gianquinto, G., Tei, F., & Thompson, R. B. (2020). Monitoring nitrogen status of vegetable crops and soils for optimal nitrogen management. Agricultural Water Management, 241, Artikel 106356. https://doi.org/10.1016/j.agwat.2020.106356

  23. Gabriel, J. L., Zarco-Tejada, P. J., López-Herrera, P. J., Pérez-Martín, E., Alonso-Ayuso, M., & Quemada, M. (2017). Airborne and ground level sensors for monitoring nitrogen status in a maize crop. Biosystems Engineering, 160, 124–133. https://doi.org/10.1016/j.biosystemseng.2017.06.003

    Article  Google Scholar 

  24. Lutz, K. J. (2017). Digitalisierung der Landwirtschaft. Revolution mit evolutionärem Charakter. In A. Hildebrandt & W. Landhäußer (Hrsg.), CSR und Digitalisierung. Der digitale Wandel als Chance und Herausforderung für Wirtschaft und Gesellschaft (S. 429–442). Berlin: Springer Gabler.

    Chapter  Google Scholar 

  25. Bökle, S., Reiser, D., & Griepentrog, H. W. (2020). Automatisierte und digitale Dokumentation der Applikation organischer Düngemittel. In M. Gandorfer, A. Meyer-Aurich, H. Bernhardt, F. X. Maidl, G. Fröhlich, & H. Floto (Hrsg.), 40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, (S. 37–42), https://dl.gi.de/handle/20.500.12116/31894.

  26. Ferguson, R. B., Luck, J. D., & Stevens, R. (2017). Developing prescriptive soil nutrient maps. In. D. E. Clay, S. A. Clay, & S. A. Bruggeman (Hrsg.), Practical mathematics for precision farming (S. 149–166). Madison: Wiley.

    Google Scholar 

  27. Fernández-Quintanilla, C., Peña, J. M., Andújar, D., Dorado, J., Ribeiro, A., & López-Granados, F. (2018). Is the current state of the art of weed monitoring suitable for site-specific weed management in arable crops? Weed Research, 58(4), 259–272. https://doi.org/10.1111/wre.12307

    Article  Google Scholar 

  28. Gonzalez-de-Soto, M., Emmi, L., Garcia, I., & Gonzalez-de-Santos, P. (2015). Reducing fuel consumption in weed and pest control using robotic tractors Computers and Electronics in Agriculture, 114, 96 113 https://doi.org/10.1016/j.compag.2015.04.003.

  29. Sonnen, J. (2018). Digitalisierung und Vernetzung in der Landwirtschaft – Bestandsaufnahme und Ausblick. In L. Frerichs (Hrsg.), Jahrbuch Agrartechnik (S. 24–35). https://publikationsserver.tu-braunschweig.de/receive/dbbs_mods_00066169.

  30. Ahmad, L., & Mahdi, S. S. (2018). Satellite farming. An information and technology based agriculture. Springer International Publishing.

    Book  Google Scholar 

  31. Ørum, J. E., Kudsk, P., & Jensen, P. K. (2017). Economics of site-specific and variable-dose herbicide application. In S. M. Pedersen & K. M. Lind (Hrsg.), Precision agriculture: Technology and economic perspectives (S. 93–110). Springer International Publishing.

    Chapter  Google Scholar 

  32. Moshou, D., Kateris, D., Pantazi, X.-E., & Gravalos, I. (2013). Crop and weed species recognition based on hyperspectral sensing and active learning. In J. V. Stafford (Hrsg.), Precision agriculture ’13 (S. 555–562). Wageningen Academic Publishers. http://dx.doi.org/https://doi.org/10.3920/978-90-8686-778-3.

  33. López-Granados, F., Torres-Sánchez, J., Serrano-Pérez, A., & Castro, A. I. de et al. (2016). Early season weed mapping in sunflower using UAV technology. variability of herbicide treatment maps against weed thresholds. Precision Agric, 17(2), 183–199. https://doi.org/10.1007/s11119-015-9415-8.

  34. Hamouz, P., Hamouzová, K., Holec, J., & Tyšer, L. (2013). Impact of site-specific weed management on herbicide savings and winter wheat yield. Plant Soil Environ, 59(3), 101–107. https://doi.org/10.17221/599/2012-PSE.

  35. de Castro, A. I., López-Granados, F., & Jurado-Expósito, M. (2013). Broad-scale cruciferous weed patch classification in winter wheat using QuickBird imagery for in-season site-specific control. Precision Agriculture, 14(4), 392–413. https://doi.org/10.1007/s11119-013-9304-y

    Article  Google Scholar 

  36. Berge, T. W., Goldberg, S., Kaspersen, K., & Netland, J. (2012). Towards machine vision based site-specific weed management in cereals. Computers and Electronics in Agriculture, 81, 79–86. https://doi.org/10.1016/j.compag.2011.11.004

    Article  Google Scholar 

  37. Daheim, C., Poppe, K., & Schrijver, R. (2016). Precision agriculture and the future of farming in Europe: Scientific Foresight Study. https://op.europa.eu/s/oLDV.

  38. Castaldi, F., Pelosi, F., Pascucci, S., & Casa, R. (2017). Assessing the potential of images from unmanned aerial vehicles (UAV) to support herbicide patch spraying in maize. Precision Agriculture, 18(1), 76–94. https://doi.org/10.1007/s11119-016-9468-3

    Article  Google Scholar 

  39. Naïo Technologies: Oz. Weeding, transportation and harvest assistance robot. https://www.naio-technologies.com/wp-content/uploads/2019/04/brochure-OZ-ENGLISH-HD.pdf.

  40. Dammer, K.-H., & Adamek, R. (2012). Sensor-based insecticide spraying to control cereal aphids and preserve lady beetles. Agronomy Journal, 104(6), 1694–1701. https://doi.org/10.2134/agronj2012.0021

    Article  Google Scholar 

  41. Jehle, S. (2016). Mit Drohnen gegen den Maiszünsler. https://www.stuttgarter-nachrichten.de/inhalt.drohnen-in-der-landwirtschaft-mit-drohnen-gegen-den-maiszuensler.45624e31-d420-4aa1-a5e6-812d573ba16c.html.

  42. Rupnik, R., Kukar, M., Vračar, P., Košir, D., et al. (2019). AgroDSS: A decision support system for agriculture and farming. Computers and Electronics in Agriculture, 161, 260–271. https://doi.org/10.1016/j.compag.2018.04.001

    Article  Google Scholar 

  43. Food and Agriculture Organization of the United Nations. (2017). The future of food and agriculture – Trends and challenges. Rome: Food and Agriculture Organization of the United Nations. http://www.fao.org/3/i6583e/i6583e.pdf.

  44. Thiessen, E., & Heege, H. J. (2013). Site-Specific Sensing for Fungicide Spraying. In H. J. Heege (Hrsg.), Precision in crop farming (S. 295–311). Springer, Netherlands.

    Chapter  Google Scholar 

  45. Kalkan, H., Beriat, P., Yardimci, Y., & Pearson, T. C. (2011). Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging. Computers and Electronics in Agriculture, 77(1), 28–34. https://doi.org/10.1016/j.compag.2011.03.005

    Article  Google Scholar 

  46. Ahlefeld, P. J. W. von (2020). Umweltschutz durch Präzisionslandwirtschaft – sind Rebound-Effekte möglich? M. Gandorfer, A. Meyer-Aurich, H. Bernhardt, F. X. Maidl, G. Fröhlich, & H. Floto (Hrsg.), 40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, (S. 343–348), https://dl.gi.de/handle/20.500.12116/31921.

  47. Meron, M., Alchanatis, V., Cohen, Y., & Tsipris, J. (2013). Aerial thermography for crop stress evaluation – A look into the state of the technology. In J. V. Stafford, (Hrsg.), Precision agriculture ’13 (S. 177–183). Wageningen: Wageningen Academic Publishers. http://dx.doi.org/https://doi.org/10.3920/978-90-8686-778-3.

  48. Barbedo, J. G. A. (2019). A review on the use of unmanned aerial vehicles and imaging sensors for monitoring and assessing plant stresses. Drones, 3(2), Artikel 40. https://doi.org/10.3390/drones3020040.

  49. Jiménez-Bello, M. A., Royuela, A., Manzano, J., Zarco-Tejada, P. J., & Intrigliolo, D. (2013). Assessment of drip irrigation sub-units using airborne thermal imagery acquired with an Unmanned Aerial Vehicle (UAV). In J. V. Stafford (Hrsg.), Precision agriculture ’13 (S. 705–720). Wageningen: Wageningen Academic Publishers. http://dx.doi.org/https://doi.org/10.3920/978-90-8686-778-3.

  50. Linz, A., Hertzberg, J., Roters, J., & Ruckelshausen, A. (2019). „Digitale Zwillinge“ als Werkzeug für die Entwicklung von Feldrobotern in landwirtschaftlichen Prozessen. In A. Meyer-Aurich, M. Gandorfer, N. Barta, A. Gronauer, J. Kantelhardt, & H. Floto (Hrsg.), Digitalisierung in kleinstrukturierten Regionen. Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft (GIL-2019), Digitalisierung in kleinstrukturierten Regionen, February 18–19, (S. 125–130). Gesellschaft für Informatik e. V.

    Google Scholar 

  51. Vellidis, G., Tucker, M., Perry, C., & Reckford, D. et al. (2013). A soil moisture sensor-based variable rate irrigation scheduling system. In J. V. Stafford, (Hrsg.), Precision agriculture ’13 (S. 713–720). Wageningen Academic Publishers. http://dx.doi.org/https://doi.org/10.3920/978-90-8686-778-3.

  52. Uddin, J., Smith, R. J., Gillies, M. H., Moller, P., & Robson, D. (2018). Smart automated furrow irrigation of cotton. J. Irrig. Drain Eng., 144(5), Artikel 4018005. https://doi.org/10.1061/(ASCE)IR.1943-4774.0001282.

  53. Balafoutis, A., Beck, B., Fountas, S., & Vangeyte, J. et al. (2017). Precision agriculture technologies positively contributing to ghg emissions mitigation, farm productivity and economics. Sustainability, 9(8), Artikel 1339. https://doi.org/10.3390/su9081339.

  54. Nahry, A. E., Ali, R. R., & Baroudy, A. E. (2011). An approach for precision farming under pivot irrigation system using remote sensing and GIS techniques. Agricultural Water Management, 98(4), 517–531. https://doi.org/10.1016/j.agwat.2010.09.012

    Article  Google Scholar 

  55. Dobbs, N. A., Migliaccio, K. W., Li, Y., Dukes, M. D., & Morgan, K. T. (2014). Evaluating irrigation applied and nitrogen leached using different smart irrigation technologies on bahiagrass (Paspalum notatum). Irrigation Science, 32(3), 193–203. https://doi.org/10.1007/s00271-013-0421-1

    Article  Google Scholar 

  56. Millard, A. G., Ravikanna, R., Groß, R., & Chesmore, D. (2019). Towards a swarm robotic system for autonomous cereal harvesting. In K. Althoefer, J. Konstantinova, & K. Zhang (Hrsg.), Towards autonomous robotic systems (S. 458–461). Cham. Springer International Publishing (Lecture Notes in Artificial Intelligence), (S. 458–461). https://doi.org/10.1007/978-3-030-25332-5

  57. Paul, C., Techen, A.-K., Robinson, J. S., & Helming, K. (2019). Rebound effects in agricultural land and soil management. Review and analytical framework. Journal of Cleaner Production, 227, 1054–1067. https://doi.org/10.1016/j.jclepro.2019.04.115

    Article  CAS  Google Scholar 

  58. Berkhout, P. H. G., Muskens, J. C., & Velthuijsen, J. W. (2000). Defining the rebound effect. Energy Policy, 28(6–7), 425–432.

    Article  Google Scholar 

  59. Pellegrini, P., & Fernández, R. J. (2018). Crop intensification, land use, and on-farm energy-use efficiency during the worldwide spread of the green revolution. Proceedings of the National Academy of Sciences of the United States of America, 115(10), 2335–2340. https://doi.org/10.1073/pnas.1717072115

    Article  CAS  Google Scholar 

  60. Schieffer, J., & Dillon, C. (2015). The economic and environmental impacts of precision agriculture and interactions with agro-environmental policy Precision Agriculture, 16(1), 46 61 https://doi.org/10.1007/s11119-014-9382-5.

  61. Ahlefeld, P. J. W. von (2019). Rebound Effekte in der Präzisionslandwirtschaft – Ein Kommentar. Zeitschrift für Agrarpolitik und Landwirtschaft, 97(3). https://doi.org/10.12767/buel.v97i3.247.

  62. Sears, L., Caparelli, J., Lee, C., & Pan, D. et al. (2018). Jevons’ paradox and efficient irrigation technology. Sustainability, 10(5), Artikel 1590. https://doi.org/10.3390/su10051590.

  63. Li, H., & Zhao, J. (2018). Rebound effects of new irrigation technologies. The role of water rights. American Journal of Agricultural Economics, 100(3), 786–808. https://doi.org/10.1093/ajae/aay001.

  64. Pfeiffer, L., Lin, & C.-Y. C. (2014). Does efficient irrigation technology lead to reduced groundwater extraction? Empirical evidence. Journal of Environmental Economics and Management, 67(2), 189–208. https://doi.org/10.1016/j.jeem.2013.12.002

  65. Molle, F., & Tanouti, O. (2017) Squaring the circle. Agricultural intensification vs. water conservation in Morocco Agricultural Water Management, 192, 170 179 https://doi.org/10.1016/j.agwat.2017.07.009.

  66. Berbel, J., & Mateos, L. (2014). Does investment in irrigation technology necessarily generate rebound effects? A simulation analysis based on an agro-economic model. Agricultural Systems, 128, 25–34. https://doi.org/10.1016/j.agsy.2014.04.002

    Article  Google Scholar 

  67. Riediger, J., Breckling, B., Nuske, R. S., & Schröder, W. (2014). Will climate change increase irrigation requirements in agriculture of Central Europe? A simulation study for Northern Germany. Environmental Sciences Europe, 26(1), 18. https://doi.org/10.1186/s12302-014-0018-1

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Helmholtz-Zentrum für Umweltforschung, Themenbereich Umwelt und Gesellschaft, Leipzig, Deutschland

    Sebastian Lieder

Authors
  1. Sebastian Lieder
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Sebastian Lieder .

Editor information

Editors and Affiliations

  1. FB2 / Umweltinformatik, HTW Berlin, Berlin, Berlin, Deutschland

    Frank Fuchs-Kittowski

  2. Disy Informationssysteme GmbH, Karlsruhe, Baden-Württemberg, Deutschland

    Andreas Abecker

  3. DigSyLand, Großsolt, Schleswig-Holstein, Deutschland

    Friedhelm Hosenfeld

1 Elektronisches Zusatzmaterial

Rights and permissions

Reprints and permissions

Copyright information

© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this paper

Check for updates. Verify currency and authenticity via CrossMark

Cite this paper

Lieder, S. (2022). Chancen und Risiken der Digitalisierung für eine Ökologisierung einzelner Arbeitsschritte der ackerbaulichen Produktion. In: Fuchs-Kittowski, F., Abecker, A., Hosenfeld, F. (eds) Umweltinformationssysteme - Wie trägt die Digitalisierung zur Nachhaltigkeit bei?. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-35685-9_8

Download citation

Publish with us

Policies and ethics

Search

Navigation