Logo des Repositoriums

Auflistung nach Autor:in "Gerighausen, Heike"

1 - 3 von 3
  • Konferenzbeitrag
    Nachhaltige Landwirtschaft mittels Künstlicher Intelligenz – ein plattformbasierter Ansatz für Forschung und Industrie
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Bosse, Sebastian; Berns, Karsten; Bosch, Johannes; Dörr, Jörg; Eichhorn, Frederick Charles; Eisert, Peter; Fischer, Christoph; Gassen, Eike; Gerstenberger, Michael; Gerighausen, Heike; Heil, Jonathan; Hilsmann, Anna; Hirth, Jochen; Huber, Christopher; Hussaini, Mortesa; Kasparick, Martin; Kloke, Peter; Krause-Edler, Hartmut; Mackle, Lukas; Magnusson, Jannes; Möhrle, Felix; Möller, Markus; Pickel, Peter; Rautenberg, Clemens; Schotten, Hans Dieter; Stanczak, Slawomir; Thiele, Lars; Ücdemir, Henrik; Wania, Annett; Stein, Anthony
    Digitale Technologien gelten als möglicher Schlüssel zur Verknüpfung von Nachhaltigkeit, Klimaanpassung und wirtschaftlicher Effizienz in der Pflanzenproduktion. Die Heterogenität und Dezentralität des landwirtschaftlichen Systems stellt besondere Anforderungen an den Entwurf datengetriebener Lösungen: Daten entstehen lokal in landwirtschaftlichen Betrieben unterschiedlicher Größe; ihre Erhebung und Auswertung erfolgt meist multimodal, dezentral und durch Dritte; landwirtschaftliche Stakeholder stellen als Dateneigentümer hohe Ansprüche an die Datensouveränität. Das Forschungsprojekt „Nachhaltige Landwirtschaft mittels Künstlicher Intelligenz“ (NaLamKI) entwickelt einen plattformbasierten Ansatz, um diese Anforderungen zu adressieren und setzt hierzu auf Cloud-Edge Services zur 1) Erhebung divers strukturierter landwirtschaftlicher Daten, 2) KI-gestützte Fusion und Auswertung dieser Daten sowie 3) nutzerorientierte Haltung und Bereitstellung der erzeugten Datenprodukte in einem digitalen Farm-Twin unter Wahrung der Datensouveränität, Schaffung von (Daten-)Interoperabilität sowie GAIA-X-Konformität. Dieser Beitrag leitet die Notwendigkeit dieses Forschungsansatzes her, erläutert dessen zugrunde liegende Konzepte und diskutiert wissenschaftliche Ansatzpunkte und Ergebnisse sowie offene Herausforderungen und Chancen dieses integrierten Ansatzes.
  • Konferenzbeitrag
    Räumliche Erfassung des organischen Kohlenstoffgehaltes von Böden einer landwirtschaftlichen Intensivregion aus Sentinel-2-Daten
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Wittstruck, Lucas; Gerighausen, Heike; Säurich, Annelie; Möller, Markus; Hartmann, Knut; Steininger, Michael; Zepp, Simone; Jarmer, Thomas
    Der Gehalt und die räumliche Verteilung organischen Kohlenstoffs in Böden stellen eine wesentliche Information zur Bewertung des Bodenzustandes dar. In der vorliegenden Arbeit wurde daher eine quantitative Schätzung des organischen Kohlenstoffs aus räumlich hochaufgelösten multispektralen Satellitendaten in einem landwirtschaftlich geprägten Gebiet nahe der Stadt Köthen (Sachsen-Anhalt) vorgenommen. Die Grundlage bildete ein Bodenkomposit, welches aus mehrjährigen Sentinel-2 Daten (2017-2022) unter Anwendung von Vegetations- und Bodenindizes berechnet wurde. Ergänzend wurde ein digitales Geländemodell der Shuttle Radar Topography Mission (SRTM) berücksichtigt. Die Ergebnisse der Studie haben gezeigt, dass durch die Kombination von optischen Fernerkundungsdaten mit einem Geländemodell robuste Schätzungen des organischen Kohlenstoffs erreicht werden konnten (R2 = 0,83, RMSE = 0,23 und RPD = 2,46), welche mit Resultaten aus hyperspektralen Fernerkundungsdaten vergleichbar waren.
  • Konferenzbeitrag
    State of the Art Open Access Remote Sensing with ESA Sentinel 1 SAR Data
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) McClelland, Jennifer; Riedel, Tanja; Beyer, Florian; Gerighausen, Heike; Golla, Burkhard
    Tackling the consequences of climate change has become a global issue. Climate change will clearly influence our common lifestyle enormously in near future. This involves increasingly frequent sudden weather changes and extreme temperatures as well as drastic changes in water quality and availability. Because of our constant growing global population, nutritional habits and agricultural practices, the share of the agricultural impact on global anthropogenic greenhouse gas emissions take on an estimated 10-12 %. At the same time, fulfilling the agricultural demand is becoming increasingly challenging due to unpredictable farming conditions. Without immediate collaborative efforts including focused research, employment and adaption of state of the art technologies, this issue will not be tackled soon enough, to avoid massive limitations and enormous losses. A very promising large-scale technology to monitor agricultural ecosystems and activities is by means of earth observation imagery derived by Synthetic Aperture Radar (SAR). Radar backscatter e.g. allows insights to crop conditions, soil properties and direct mapping of vegetation growth. Open access technologies offer the best solutions for collaborative efforts, thus minimising financial and legal constraints in comparison to technologies residing in the commercial sector. Here, we combine and build on state-of-the-art tools and technologies to provide an easy to employ Sentinel-1 SAR pre-processing tool as well as a Germany wide, open access, pre-processed, analysis- ready database of Sentinel-1 SAR data. All tools used and developed are open source and freely available. With the employment of modern software developing methods and tools for a scalable and maintainable architecture, these products can be easily extended and adapted. By deployment of up to date machine learning methods, combining the resulting datasets with other relevant parameters, not to say the least, e.g. early prediction of optimal sowing, harvesting and fertilisation time points can be determined as well as many more valuable insights for successful, resource-efficient and environmentally friendly farming. Furthermore, the pre-processing of SAR datasets is not only substantial for the field of agriculture but for a wide range of other fields concerning environmental observations.