Lebensmittelunternehmen stehen vor der Herausforderung, dass sie ihre Beschaffungsentscheidungen mehrere Wochen oder sogar Monate vor der Lieferung der eigentlichen Produkte treffen müssen. Mangos zum Beispiel werden im Winter (Januar bis März) normalerweise aus Brasilien, Ecuador und Peru importiert. 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. Es gibt aber erste Anzeichen dafür, dass die Vorhersage des saisonalen Reifefortschritts auf der Grundlage von Satellitenbildern des Anbaugebiets zu vielversprechenden Ergebnissen führen kann.
Im Rahmen des Projekts MangoTune wurden Satellitendaten der neuen deutschen ENMAP Mission und Sentinel 2 Hyperspektralbilder mit einer Auflösung von unter 100 m sowie Wetterdaten des Deutschen Wetterdienstes (DWD) genutzt, um eine frühzeitige Vorhersage der zu erwartenden saisonalen Qualität auf regionaler Ebene zu ermöglichen.
Eine besondere Herausforderung besteht darin, den Zeitbereich des Pflanzenwachstumsprozesses in den Regionen korrekt zu modellieren und die Daten mit den verfügbaren Kennzeichnungen zu verknüpfen. Dies wird mit Hilfe von KI realisiert, die zusätzlich durch tägliche Qualitätsmessungen, die von tsenso-Kunden in Deutschland seit 2021 durchgeführt werden, unterstützt wird
Dabei werden die Satellitendaten auch zur Verbesserung der Genauigkeit der Scannermodelle in den Lagern 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. Aus den Satellitendaten abgeleitete Merkmale bezüglich der umwelt- und pflanzenphysiologischen Parameter während des Wachstums und der Ernte können somit die Genauigkeit der Scannerergebnisse verbessern. Das ist ein wichtiger Beitrag dazu, die Menge an Früchten, die im falschen Zustand bei den Endkunden ankommen, zu reduzieren und damit auch die Lebensmittelverschwendung weiter einzudämmen.
