Logo des Repositoriums

Auflistung nach Autor:in "Tieben, Christoph"

1 - 5 von 5
  • Konferenzbeitrag
    Auf dem Weg zu einem Entscheidungsunterstützungs-system zur Pflege und Ernte von Grünlandflächen
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Tieben, Christoph; Reuter, Tobias; Nahrstedt, Konstantin; Kraatz, Franz; Lingemann, Kai; Trautz, Dieter; Jarme, Thomas; Hertzberg, Joachim
    Zur Bewirtschaftung von Grünlandflächen müssen eine Vielzahl an Parametern und Regularien berücksichtigt werden, um Entscheidungen für geeignete Pflegemaßnahmen oder Ernte­termine zu treffen. Um diese Entscheidungsfindung zu unterstützen, schlagen wir ein regelbasiertes Inferenzsystem vor. Dieses bildet automatisch Schlussfolgerungen auf Basis von modelliertem Expertenwissen und rechtlichen Regeln sowie Daten aus Bonituren, drohnengestützten Bildauf­nahmen und externen Quellen, wie Wetterprognosen, ab. Die geschlussfolgerten Empfehlungen umfassen Maßnahmen wie Düngung und Erntetermin, abhängig vom Nutzungsziel, betrieblichen Gegebenheiten und weiteren Parametern. Das so entstandene Entscheidungsunterstützungssystem wurde exemplarisch mit Handlungsempfehlungen von Experten unter realen Bedingungen getestet.
  • Konferenzbeitrag
    Erste Schritte zu einem virtuellen Zuchtgarten
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Tieben, Christoph; Kisliuk, Benjamin; Enders, Matthias; Léon, Mareike; Daiber, Florian; Kosmalla, Felix; Stiene, Stefan; Hertzberg, Joachim
    Als einer der wichtigsten Arbeitsschritte der Pflanzenzüchtung werden Sortenkandidaten in Parzellenversuchen regelmäßig bonitiert und charakterisiert. Hierbei werden in den unterschiedlichen Entwicklungsstadien eine Vielzahl an Parametern und Merkmalen, meist visuell, erfasst. Ein robotischer Lösungsansatz bietet das Potenzial, diesen Aufwand signifikant zu reduzieren und neue Möglichkeiten zu eröffnen. Ein Monitoring der einzelnen Parzellen durch regelmäßige, hochgenaue Erfassung von Laserscan- und Hyperspektral-Daten bildet die Grundlage, auf der ein detailliertes, dreidimensionales Abbild der Zuchtgärten erstellt wird. Dieses Abbild soll innerhalb einer Virtual Reality Umgebung (VR) aufbereitet und darin den Züchter:innen zugänglich gemacht werden. Dies soll die Bonitur in einem virtuellen Zuchtgarten ermöglichen, der neben den sichtbaren Lichtspektren auch andere Datenquellen integriert und nutzbar macht. Das Ziel dieses Beitrags ist es, die ersten Schritte und Erfahrungen bei der Entwicklung einer autonomen robotischen Monitoring-Lösung sowie der darauf aufbauenden Erstellung des virtuellen Zuchtgartens zu präsentieren und zur Diskussion zu stellen.
  • Konferenzbeitrag
    Erste Schritte zu einer kontextsensitiven Navigation in einem langzeitautonomen Field-Monitoring-System
    (41. GIL-Jahrestagung, Informations- und Kommunikationstechnologie in kritischen Zeiten, 2021) Kisliuk, Benjamin; Höllmann, Mark; Tieben, Christoph; Krause, Jan Christoph; Mock, Alexander; Pütz, Sebastian; Igelbrink, Felix; Wiemann, Thomas; Focke Martinez, Santiago; Stiene, Stefan; Hertzberg,Joachim
    Autonome Kartierungssysteme für landwirtschaftliche Anwendungen gewinnen zunehmend an Bedeutung. Derzeit sind die meisten Systeme ferngesteuert oder basieren auf einer einzigen globalen Umgebungsrepräsentation. Die alleinige Verwendung fester Roboterkarten und Aktionsschemata schränkt jedoch die Flexibilität autonomer Systeme ein. Insbesondere in der Landwirtschaft kann sich die Umgebung während der Vegetationsperioden schnell ändern, weshalb es einer kontextsensitiven Navigation bedarf. Ziel der hier vorgestellten Arbeit ist es, ein autonomes System namens Autonome robotische Experimentier-Plattform (AROX) aufzubauen, das in der Lage ist, Bestandskarten über einen gesamten Vegetationszeitraum ohne Benutzereingriff zu erstellen. Dazu haben wir die Hardware-Infrastruktur zum Aufbewahren und Laden des Roboters sowie die erforderliche Software im Robot Operating System (ROS) aufgebaut, um die Kontextsensitivität zu realisieren.
  • Konferenzbeitrag
    Evaluation of a decision support system for the recommendation of pasture harvest date and form
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Reuter, Tobias; Saborío Morales, Juan Carlos; Tieben, Christoph; Nahrstedt, Konstantin; Kraatz, Franz; Meemken, Hendrik; Hünker, Gerrit; Lingemann, Kai; Broll, Gabriele; Jarmer, Thomas; Hertzberg, Joachim; Trautz, Dieter
    The task of generating automatic recommendations of pasture harvest date and form was previously addressed through a knowledge-based decision support system (DSS). The system follows expert rules and exploits data such as the weather history and forecast, the growth stage of grass and legumes, plant height and crude fibre content. In this paper, we present the results of our evaluation of this DSS on 26 fields in West and Northwest Germany. We compared the suggestions made by the DSS with the decisions of expert farmers and obtained an accuracy of R²=0.746 and RMSE=7.83 days. The best results occurred for intensively managed fields for dairy cows, with an R² of 0.891 and RMSE of 3.20 days. We conclude our DSS and its underlying methodology have the potential to support farmers and secure high-quality fodder.
  • Konferenzbeitrag
    Wissensverarbeitung in der Landwirtschaft mit regelbasierten Inferenzsystemen und Begründungsverwaltung
    (41. GIL-Jahrestagung, Informations- und Kommunikationstechnologie in kritischen Zeiten, 2021) Niemann, Nils; Tieben, Christoph; Lingemann, Kai; Hertzberg, Joachim
    In der modernen landwirtschaftlichen Praxis existieren eine große Menge an Expertenwissen sowie Informationen und Regularien zu komplexen Prozessen, welche ein Landwirt zur Entscheidungsfindung berücksichtigen muss. Durch ein regelbasiertes Inferenzsystem, welches die Möglichkeit bietet, Wissen zu modellieren und automatisch Schlussfolgerungen zu ziehen und bei Bedarf zurückzuziehen, sollen die Landwirte bei dessen Anwendung unterstützt werden.