Logo des Repositoriums

Auflistung nach Autor:in "Vogel, Sebastian"

1 - 2 von 2
  • Zeitschriftenartikel
    Kieker4DQL: Declarative Performance Measurement
    (Softwaretechnik-Trends Band 36, Heft 4, 2016) Blohm, Matthias; Vogel, Sebastian; Pahlberg, Maksim; Okanović, Dušan
    The Descartes Query Language (DQL) enables to query the performance of a system using adapters to various solution approaches. Thereby, DQL is a realization of the vision of Declarative Performance Engineering (DPE) which decouples the description of user concerns (performance questions and goals) from the task of selecting and applying a specific solution approach. While model-based approaches are already supported by DQL, measurement based approaches are not. In this paper we present the Kieker4DQL — an adapter for DQL that performs query processing for Application Monitoring Tools, the Kieker in particular. It creates a tailored monitoring configuration to start measurements. The resulting monitoring data is filtered and interpreted according to the query.
  • Konferenzbeitrag
    Modellierung des organischen Kohlenstoffs in Ackerböden
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Post, Sandra; Schröter, Ingmar; Bönecke, Eric; Vogel, Sebastian; Kramer, Eckart
    Für die lückenlose Abschätzung des Gehalts organischen Kohlenstoffs in Ackerböden wurde die Eignung von kostenfrei erhältlichen Fernerkundungsdaten mit sehr kostenaufwändigen Naherkundungsdaten verglichen. Gleichzeitig wurden die Auswirkungen einer Fusion dieser Daten auf die Modellierungsergebnisse analysiert. Die auf Schlagebene durchgeführte Studie erfolgte auf sechs Schlägen im Bundesland Brandenburg. Hierfür wurden die in die Modellierungen eingegan-genen Datenkombinationen in fünf Szenarien gegliedert: ausschließlich Sentinel 2-Daten (1), Sentinel 2-Daten sowie Daten des Digitalen Geländemodells (2), optische Naherkundungsdaten (3), optische, geoelektrische, radiometrische und elektrochemische Naherkundungsdaten (4) sowie eine Fusion aller Sensordaten (5). Die Kalibrierung der Modelle erfolgte unter Verwendung von vier Berechnungsmethoden: univariate lineare Regression, multiple lineare Regression, partial least squares regression sowie random forest. Die Modellgüten von Szenario (3) weisen signifikant geringe Werte auf, wobei die Ergebnisse der übrigen Szenarien statistisch miteinander vergleichbar sind. Auch der Vergleich der unterschiedlichen Algorithmen zeigt keine signifikanten Unterschiede zwischen den Ergebnissen.