Die Ertragsstabilität und die weiteren Produktivitäts- und Qualitätssteigerungen von Winterraps werden durch die zunehmende Häufigkeit und Schwere von Wetterextremen infolge des Klimawandels beeinträchtigt. Neuartige Strategien zur züchterischen Verbesserung von Winterraps sind daher dringend erforderlich. Deswegen ist ein detailliertes Verständnis der Reaktion von Rapsgenotypen auf verschiedene Umwelt- und Managementfaktoren unerlässlich, um angepasste Sorten zu entwickeln. Die AIM4GEM-Gruppe zielt darauf ab, mit neuesten Modellierungsansätzen diese komplexe Interaktion aus Genotyp, Umwelt und Management (G*E*M) zu quantifizieren und für die Züchtung nutzbar zu machen. Hierzu werden modernste KI-Techniken genutzt, um Vorhersagen auf Grundlage von G*E*M-Interaktionen zu erstellen. Zwei Ansätze werden verfolgt: Erstens werden neue Methoden für die phänomische Vorhersage entwickelt, um G*E*M-Interaktionen in der Samenkomposition von Raps-Zuchtpopulationen, die in unterschiedlichen Umgebungen angebaut wurden, zu erfassen. Dabei werden Nahinfrarotspektroskopiedaten verwendet, um G*E*M in Raps durch Spektralmuster zu analysieren. KI-basierte und lineare Ansätze werden dabei im Detail evaluiert. Dazu gehören auf KI basierte hierarchische Pflanzenwachstumsmodelle, mit denen genotypische und morphologische Merkmale für die Stressanpassung entlang der gesamten Vegetationsperiode entschlüsselt und charakterisiert werden. Zu Beginn werden für beide Ansätze historische Daten des INTEGRA-Konsortiums genutzt, die nach und nach mit digitalen Phänotypen und Omics-Daten aus neuen Experimenten ergänzt werden. Das Gesamtziel besteht darin, die entwickelten Methoden und Modelle in die genomische Selektion für Züchter zu integrieren, wodurch ihnen Werkzeuge zur Verfügung stehen, um komplexe G*E*M zu navigieren und die Züchtung verbesserter Rapssorten mit höherem Ertrag und höherer Ressourceneffizienz durch effektive Nutzung von G*E*M zu ermöglichen.