Das Ziel von FRUTILLA ist die Entwicklung eines virtuellen Sensornetzwerkes zur Analyse des Mikroklimas auf Ackerflächen. So sollen die Auswirkungen von Wetterbedingungen und Klimawandel auf die Produktion von Biomasse mit hoher räumlicher und zeitlicher Auflösung überwacht werden. Zum Nachweis der effizienten und praktischen Durchführbarkeit untersuchen wir als konkreten Anwendungsfall die Vermeidung von Frostschäden in der Obstproduktion. Dies ist in das Programmziel, Produktionssysteme innerhalb von Ökosystemen zu verstehen und den ökologischen Fußabdruck der Biomasseproduktion zu reduzieren Feinmaschige Datenerfassung und Vorhersage ist aus zwei Hauptgründen von entscheidender Bedeutung. Einerseits müssen  Frostschutzmaßnahmen rechtzeitig und nur wenn notwendig durchgeführt werden. Andererseits ist es aus sozialen Gründen auch wichtig, die Erzeuger mit genügend Vorlaufzeit zu benachrichtigen. Dabei sollen sowohl falsch negative Ergebnisse, d. h. kein Warnereignis trotz Frost, als auch falsch positive Ergebnisse, d.h. unnötige Warnungen ausgeschlossen werden.
Insbesondere strebt FRUTILLA an, die Anzahl falsch positiver Warnungen zu reduzieren, da diese zu einem unnötigen Verbrauch natürlicher Ressourcen und CO2-Emissionen durch unnötige
Schutzmaßnahmen führen. Dabei darf jedoch die Präzision korrekt positiver Warnungen nicht beeinträchtigt werden.
Die engmaschige Überwachung der Wetterbedingungen erfolgt durch die Synthese von Sensordaten. Dabei werden durch den Aufbau von Modellen für maschinelles Lernen, aus den Daten bestehender Wetterstationen weitere Messwerte synthetisiert, um so feinmaschige Daten für Anbauflächen zu bekommen die keine eigenen Wetterstationen haben.
Am Ende des Projekts wird unser System die bestehenden Wetterstationen mit vielen synthetisierten Sensoren zu einem feinmaschigen Netzwerk für eine zeitnahe und präzise Vorhersage der zu erwartenden Frostbedingungen ergänzt haben.

With FRUTILLA, we propose developing a virtual sensor network to analyze the micro-climate in arable areas to monitor the effects of weather conditions and climate change on the production of
biomass with a high resolution. To demonstrate the system's viability in an efficient, pragmatic way, we offer the prevention of frost damage to fruit production as an immediate use-case. However, in
its scope, FRUTILLA aims to analyze and model biological systems and the understanding of climateconditions for the reduction of the eco-footprint of biomass production.
A critical factor in the sustainable production of fruit in Chile is the prevention of frost damages. For that purpose, a timely and precise prediction of possible frost conditions is crucial. Timeliness is
essential for two main reasons: clearly, mitigation measures must be performed before the frost occurs, but for social reasons, it is also essential to notify growers with sufficient lead time to
minimize the social impact on the grower's family. Simultaneously, unwarranted mitigation measures use natural resources, such as energy and water, and unnecessarily negatively impact  ustainable
production.
Therefore, this project aims to develop algorithmic methods to predict the temperature and relative humidity at a fine-grained geographic level. The objective is to warn growers with sufficient lead
time while avoiding both false negatives, i.e., no warning event when frost will occur, and false positives, i.e., advising mitigation measures with energy and water costs that would not have been
necessary.
Based on an existing network of weather stations, weather conditions are synthesized for additional fruit production sites. This synthesis is done by building machine learning models trained with the
relevant parameters obtained by existing weather stations, e.g., temperature, relative humidity, global radiation, and whose predictions will be validated using a set of portable mini weather stations to calibrate the models. At the end of the project, our system will have augmented the existing weather stations with many synthesized sensors for a fine-meshed network for a timely and precise prediction of expected frost conditions.
To achieve these objectives, FRUTILLA consists of the following activities and milestones outlined in more detail in subsequent sections. (1) First, we will create a real-time, cloud-based data platform
and integrate the weather data of the ca. 165 existing weather stations currently operated and managed by FDF via real-time data feeds. (2) Select several growing sites and create the initial
machine-learning-based models based on the weather stations' data in proximity and additional weather forecast data obtained from the national weather service and start predicting temperature and humidity values for those sites. (3) Then expand the sites, tune the models, and calibrate them based on portable mini-stations. Finally, (4), we validate the results and perform the final evaluation
of the project's overall success and impact on improving production sustainability.