Anzeige
 

Neue KI sagt Stallklima bis zu 24 Stunden im Voraus voraus

Künstliche Intelligenz könnte die Klimasteuerung in Geflügelställen künftig deutlich verbessern. Forschende der China Agricultural University haben ein KI-Modell entwickelt, das Temperatur und Luftfeuchtigkeit bis zu 24 Stunden im Voraus prognostiziert. In einer Untersuchung mit rund 26.000 Legehennen lag die durchschnittliche Abweichung der Temperaturvorhersagen bei lediglich 0,48 bis 0,62 Grad Celsius. Die Technologie könnte helfen, Lüftungs- und Kühlsysteme frühzeitig anzupassen und kritische Klimabedingungen zu vermeiden. Ob dadurch tatsächlich Energie eingespart und die Tiergesundheit verbessert werden kann, muss allerdings noch untersucht werden.

KI soll Temperatur und Luftfeuchtigkeit im Geflügelstall vorhersagen

Die Klimasteuerung gehört zu den wichtigen Faktoren für eine wirtschaftliche und tiergerechte Geflügelhaltung. Besonders in größeren Stallanlagen müssen Temperatur, Luftfeuchtigkeit und Luftqualität kontinuierlich überwacht werden. Zu hohe Temperaturen können Hitzestress verursachen, während niedrige Temperaturen den Energiebedarf der Tiere erhöhen. Auch eine ungünstige Luftfeuchtigkeit kann sich auf die Tiergesundheit und die hygienischen Bedingungen im Stall auswirken. Für Geflügelhalter ist es deshalb wichtig, die Lüftungs- und Heiztechnik möglichst genau an den tatsächlichen Bedarf anzupassen.

Bisher arbeiten viele Klimasteuerungen mit aktuellen Sensordaten. Sobald Temperatur oder Luftfeuchtigkeit bestimmte Grenzwerte überschreiten, werden Lüftung, Heizung oder Kühlung entsprechend angepasst. Dieses Verfahren reagiert allerdings erst auf bereits eingetretene Veränderungen. Hinzu kommt, dass die technischen Anlagen Zeit benötigen, bis eine Anpassung der Lüftungsleistung oder Kühlung tatsächlich das Stallklima verändert. Gerade bei schnell steigenden Außentemperaturen kann diese Verzögerung problematisch werden.

Ein Forschungsteam um Professor Guanghui Teng von der China Agricultural University hat deshalb ein KI-Modell entwickelt, das die künftige Entwicklung des Stallklimas vorhersagen soll. Die wissenschaftliche Arbeit wurde bereits im Januar 2025 online veröffentlicht und im Fachjournal Frontiers of Agricultural Science and Engineering publiziert. Im November 2026 wurde die Entwicklung erneut in der internationalen Geflügelfachpresse aufgegriffen. Das Verfahren soll es ermöglichen, Veränderungen frühzeitig zu erkennen und die vorhandene Klimatechnik vorausschauend zu steuern, statt ausschließlich auf aktuelle Messwerte zu reagieren.

Versuch mit 26.000 Legehennen liefert umfangreiche Klimadaten

Für die Entwicklung und Überprüfung des KI-Modells nutzten die Wissenschaftler Daten aus einem Legehennenstall in Haiyang in der chinesischen Provinz Shandong. Der Stall war 86 Meter lang und 12,5 Meter breit. Während der Untersuchung wurden dort rund 26.000 Legehennen in einer vierstöckigen Käfiganlage gehalten. Die Messungen erfolgten zwischen dem 20. März und dem 16. Dezember 2023. Damit standen Umweltdaten aus unterschiedlichen Jahreszeiten und klimatischen Bedingungen zur Verfügung.

Zur Erfassung des Stallklimas verwendeten die Forschenden drei Temperatursensoren sowie jeweils einen Sensor für die relative Luftfeuchtigkeit, die CO₂-Konzentration und den statischen Luftdruck. Die Temperatur wurde an verschiedenen Positionen im Stall gemessen, während die übrigen Sensoren zentral angebracht waren. Alle fünf Minuten erfasste das System die aktuellen Umweltbedingungen und übertrug die Informationen an eine digitale Datenplattform. Für das Training und die Überprüfung des KI-Modells wurden die Messwerte anschließend zu stündlichen Durchschnittswerten zusammengefasst.

Das entwickelte System trägt die Bezeichnung GFF-Transformer. Es kombiniert ein sogenanntes Gated-Feature-Fusion-Modul mit einer Transformer-Architektur, wie sie auch bei anderen Anwendungen künstlicher Intelligenz eingesetzt wird. Vereinfacht ausgedrückt erkennt das System unterschiedliche zeitliche Muster in den Messdaten und berücksichtigt, wie sich Temperatur, Luftfeuchtigkeit, CO₂-Gehalt und Luftdruck gegenseitig beeinflussen. Als Grundlage dienen jeweils die Messwerte der vergangenen 24 Stunden. Daraus berechnet die KI Prognosen für die kommenden sechs, zwölf, 18 oder 24 Stunden.

Die Kombination mehrerer Umweltparameter ist dabei von Bedeutung. Beispielsweise beeinflusst eine stärkere Lüftung häufig gleichzeitig die Temperatur, die Luftfeuchtigkeit und die CO₂-Konzentration im Stall. Werden diese Veränderungen gemeinsam ausgewertet, kann das Modell Zusammenhänge erkennen, die bei einer isolierten Betrachtung einzelner Messwerte nicht berücksichtigt würden.

Temperaturprognosen weichen im Mittel um weniger als 0,7 Grad ab

Die Ergebnisse der Untersuchung zeigen eine vergleichsweise hohe Prognosegenauigkeit. Im untersuchten Temperaturbereich zwischen 20,1 und 31,5 Grad Celsius erreichte das KI-Modell bei Vorhersagen zwischen sechs und 24 Stunden einen mittleren absoluten Fehler von lediglich 0,48 bis 0,62 Grad Celsius. Die durchschnittliche absolute Abweichung zwischen vorhergesagter und tatsächlich gemessener Temperatur blieb damit in sämtlichen untersuchten Prognosezeiträumen unter 0,7 Grad. Der statistische Bestimmtheitskoeffizient R² lag zwischen 0,88 und 0,92, was auf eine hohe Übereinstimmung zwischen Prognosen und Messwerten hinweist.

Auch die relative Luftfeuchtigkeit ließ sich mit dem Modell vergleichsweise genau vorhersagen. Bei gemessenen Werten zwischen 18 und 97 Prozent relativer Luftfeuchtigkeit betrug der mittlere absolute Prognosefehler 2,9 bis 4,7 Prozentpunkte. Der Bestimmtheitskoeffizient lag hier zwischen 0,86 und 0,94. Die genannten Temperatur- und Feuchtebereiche beschreiben die in der Untersuchung erfassten Bedingungen und sind nicht als Empfehlungen für optimale Stallklimawerte zu verstehen.

Die Forschenden verglichen ihr Verfahren außerdem mit drei bereits etablierten Modellen zur Verarbeitung zeitlicher Datenreihen. Dazu gehörten Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) und ein herkömmliches Transformer-Modell. Das neue GFF-Transformer-Verfahren erzielte über die untersuchten Prognosezeiträume hinweg insgesamt die besten Ergebnisse. Gegenüber den Vergleichsmodellen verringerte sich der mittlere absolute Fehler der Temperaturvorhersagen um 0,05 bis 0,24 Grad Celsius. Bei der relativen Luftfeuchtigkeit konnte die Abweichung um 0,81 bis 1,43 Prozentpunkte reduziert werden.

Besonders bei längeren Prognosezeiträumen zeigte sich nach Angaben der Wissenschaftler der Nutzen der zusätzlichen Datenverarbeitung. Zwar nahm die Vorhersagegenauigkeit grundsätzlich ab, je weiter die Prognose in die Zukunft reichte. Das neue Modell konnte die Veränderungen jedoch insgesamt besser abbilden als die untersuchten Vergleichsverfahren.

Berechnungszeit von 0,25 Sekunden ermöglicht schnelle Prognosen

Neben der Genauigkeit untersuchten die Wissenschaftler auch den Rechenaufwand. Das Training des GFF-Transformer-Modells dauerte auf dem eingesetzten Testsystem rund 504 Sekunden beziehungsweise 8,4 Minuten. Für die anschließende Berechnung einer Prognose benötigte das Modell etwa 0,25 Sekunden. Damit wäre die Technik grundsätzlich schnell genug, um in regelmäßigen Abständen aktualisierte Vorhersagen für eine automatisierte Stallklimasteuerung bereitzustellen.

Der praktische Vorteil liegt vor allem in der möglichen vorausschauenden Regelung der Lüftungs- und Kühlsysteme. Erkennt das Modell beispielsweise, dass die Temperatur innerhalb der nächsten Stunden deutlich steigen wird, könnte eine entsprechend entwickelte Steuerung frühzeitig reagieren. Auch bei prognostizierten Veränderungen der Luftfeuchtigkeit wären Anpassungen der Lüftungsleistung denkbar. Auf diese Weise könnten starke Klimaschwankungen möglicherweise abgefangen werden, bevor die Tiere längere Zeit ungünstigen Bedingungen ausgesetzt sind.

Die Rechenzeit von 0,25 Sekunden bedeutet allerdings nicht, dass sich das Stallklima innerhalb dieser Zeit verändern lässt. Sie beschreibt ausschließlich die Dauer der Prognoseberechnung. Wie schnell eine Klimaanlage tatsächlich reagieren kann, hängt weiterhin von der vorhandenen technischen Ausstattung, der Stallgröße, der Luftführung und den äußeren Bedingungen ab. Eine vollständig automatisierte Klimaregelung, die das neue KI-Modell bereits im laufenden Stallbetrieb zur Steuerung von Ventilatoren oder Kühlsystemen nutzt, wurde in der Untersuchung nicht erprobt.

Auch mögliche Einsparungen beim Stromverbrauch sind bislang nicht nachgewiesen. Zwar könnten genauere Prognosen helfen, unnötige oder verspätete Schaltvorgänge zu vermeiden. Ob dadurch tatsächlich weniger Energie benötigt wird, müsste jedoch in einem praktischen Vergleich zwischen konventioneller und vorausschauender Klimasteuerung untersucht werden.

Temperaturspitzen bleiben eine Schwäche des KI-Modells

Trotz der guten Ergebnisse weist die Untersuchung auf Grenzen der neuen Technologie hin. Besonders bei raschen Veränderungen des Stallklimas können größere Prognosefehler auftreten. Die Wissenschaftler stellten fest, dass das Modell Temperaturspitzen teilweise unterschätzte und besonders niedrige Temperaturen gelegentlich zu hoch vorhersagte. Die berechneten Temperaturverläufe waren damit stellenweise gleichmäßiger als die tatsächlich gemessenen Werte.

Gerade für die Tiergesundheit ist dieser Punkt relevant. Hohe Durchschnittsgenauigkeit bedeutet nicht zwangsläufig, dass kritische Temperaturspitzen zuverlässig erkannt werden. Für eine spätere automatische Steuerung müssen deshalb insbesondere solche Situationen untersucht werden, in denen eine schnelle Reaktion erforderlich ist. Die Forschenden weisen außerdem darauf hin, dass die Vorhersagegenauigkeit bei längeren Zeiträumen und stärkeren Schwankungen der Luftfeuchtigkeit abnimmt.

Eine weitere Einschränkung betrifft die räumliche Verteilung der Messwerte. Das KI-Modell nutzte überwiegend stündliche Durchschnittswerte aus dem untersuchten Stall. In größeren Geflügelställen können jedoch deutliche Unterschiede zwischen einzelnen Bereichen auftreten. Je nach Lüftungssystem, Stallgeometrie und äußeren Windverhältnissen können Temperatur und Luftfeuchtigkeit beispielsweise im vorderen Stallbereich anders ausfallen als am hinteren Ende.

Die Forschenden empfehlen deshalb, künftig mehr Sensoren an unterschiedlichen Positionen innerhalb und außerhalb der Gebäude einzusetzen. Zusätzliche Umweltdaten könnten helfen, örtliche Unterschiede besser zu erfassen und die Prognosen weiter zu verbessern. Zudem muss untersucht werden, wie zuverlässig das Verfahren bei anderen Stallgrößen, Lüftungssystemen und Haltungsformen funktioniert.

KI-Klimasteuerung könnte auch für deutsche Geflügelhalter interessant werden

Für Geflügelbetriebe bietet eine zuverlässige Prognose des Stallklimas grundsätzlich neue Möglichkeiten. Besonders in größeren Legehennen- und Masthähnchenanlagen können starke Temperaturschwankungen erhebliche Auswirkungen auf das Tierwohl und die Produktion haben. Eine vorausschauende Regelung könnte dazu beitragen, die vorhandene Lüftungs- und Heiztechnik gezielter einzusetzen und kritische Veränderungen früher zu erkennen. Voraussetzung dafür wäre allerdings, dass die KI zuverlässig mit den bestehenden Klimacomputern und technischen Anlagen zusammenarbeitet.

Die Untersuchung aus China liefert zunächst einen Nachweis dafür, dass sich Temperatur und Luftfeuchtigkeit auf Grundlage vorhandener Sensordaten über mehrere Stunden vergleichsweise genau prognostizieren lassen. Ob das Verfahren auch unter deutschen Stallbedingungen ähnlich gute Ergebnisse erzielt, ist noch offen. Unterschiedliche Stallbauweisen, Klimaregionen, Haltungsformen und technische Ausstattungen können die Übertragbarkeit beeinflussen.

Ebenso fehlen bislang belastbare Ergebnisse dazu, ob der Einsatz der KI tatsächlich die Legeleistung, Futterverwertung oder Tiergesundheit verbessert. Die wissenschaftliche Arbeit untersuchte ausschließlich die Vorhersage von Umweltbedingungen und nicht die biologischen oder wirtschaftlichen Auswirkungen einer darauf aufbauenden Klimasteuerung.

Der nächste Entwicklungsschritt besteht deshalb darin, das Modell in unterschiedlichen Geflügelställen zu überprüfen und mit einer tatsächlich vorausschauenden Lüftungs- und Klimaregelung zu verbinden. Erst entsprechende Praxisversuche können zeigen, ob die hohe Prognosegenauigkeit auch zu messbaren Vorteilen für Tiere und Betriebe führt.


Mit Informationen von

  1. Ji, H. und Teng, G. – Multistep prediction of temperature and humidity in poultry houses based on the GFF-transformer model. Frontiers of Agricultural Science and Engineering, Band 12, Ausgabe 4, Seiten 803–817, 2025