Logo des Repositoriums

Auflistung nach Autor:in "Niehus, Alexander"

1 - 2 von 2
  • Konferenzbeitrag
    Landwirtschaftliche Ertragsvorhersage im Kontext begrenzter realer Trainingsdatensätze: ein Transfer-Learning-Ansatz unter Verwendung tieferneuronalerNetze
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Münzberg, Alexander; Troost, Christian; Reinosch, Nils; Martini, Daniel; Seuring, Liv; Niehus, Alexander; Srivastava, Rajiv; Streck, Thilo; Berger, Thomas; Bernardi, Ansgar
    Anhand von KI-gestützten Entscheidungshilfen in der Landwirtschaft, beispielsweise durch Anpassung von Düngeapplikationen oder des zeitlichen Feldarbeits-Managements, kann die Produktivität auf einer ökologischen und nachhaltigen Sicht gesteigert werden. Wir beschreiben eine Lösung, um mit Hilfe von neuronalen Netzen Ertrags- und Wachstumsprognosen in realen landwirtschaftlichen Daten zu erzielen. Das Problem geringer Trainingsdatenmengen wird dadurch gelöst, dass zunächst ein System anhand von Simulationsdaten antrainiert und mittels Transfer- Learning an spezifische reale Betriebsbedingungen anhand einiger weniger Realdaten angepasst wird. Die Ergebnisse der Realprognose werden anhand einer Kreuzvalidierungsstrategie evaluiert.
  • Konferenzbeitrag
    SIMLEARN – Ontologiegestützte Integration von Simulationsmodellen, Systemen für maschinelles Lernen und Planungsdaten
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Reinosch, Nils; Münzberg, Alexander; Martini, Daniel; Niehus, Alexander; Seuring, Liv; Troost, Christian; Kumar Srivastava, Rajiv; Berger, Thomas; Streck, Thilo; Bernardi, Ansgar
    Maschinelle Lernverfahren bieten gerade im Agrarbereich mit kaum kontrollierbaren, natürlichen Einflüssen und entsprechender Unsicherheit eine große Chance für betriebliche Entscheidungsunterstützung. Im Projekt SIMLEARN werden die für einen solchen Ansatz benötigten großen Mengen an aufgearbeiteten Trainingsdaten durch in Simulationsmodellen kodifiziertes Wissen mit fortschreitenden Erkenntnissen erlernter Modelle iterativ ergänzt. Durch vorhandene Simulationsmodelle werden umfangreiche synthetische Trainingsdatensätze erzeugt und für das initiale Training eines lernenden Systems verwendet. Das so initiierte lernende System wird durch im landwirtschaftlichen Betrieb erhobene Daten erweitert und an die individuelle betriebliche Situation angepasst. Im Ergebnis soll das trainierte System verbesserte, für den konkreten Betrieb adaptierte Vorhersagen liefern, für die umfangreiche Datenintegration werden dabei Ontologien erprobt. Ontologien bieten hier große Vorteile in der Datenabfrage durch die mehrdimensionale Struktur und logische Verknüpfungen. Für eine bessere Handhabung wird die standardisierte Mappingsprache R2RML verwendet, um die großen Mengen tabellarischer Daten in Ontologien zu überführen. SIMLEARN betrachtet exemplarisch betriebliche Entscheidungen im Getreideanbau auf operativer und taktischer Ebene mit Vorhersagen zu Ertrags-, Einkommens- und Umwelteffekten. Expertenwissen in Form von Faustzahlen und Planungswerten füllt lückenhafte Daten. In dieser Arbeit wird die entwickelte Ontologie vorgestellt.