Logo des Repositoriums

Auflistung nach Autor:in "de Kock, Arno"

1 - 2 von 2
  • Konferenzbeitrag
    Bereitstellung und Präsentation der Analysedaten zu Verdachtsfällen auf PSM-Vergiftung von Honigbienen in einem Multiakteur-Softwaresystem
    (45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Lazarev, Peter; Koschitzki, Thomas; App, Mario; de Kock, Arno; Greil, Henri; Pistorius, Jens; Dierks, Marvin; Möller, Markus; Golla, Burkhard
    Im Projekt Sen2Bee wird ein Softwaresystem zur Unterstützung der Analyse von Bienenvergiftungen entwickelt. Es integriert und visualisiert relevante Informationen wie Feldgeometrien, Kulturen, Phänologie und meteorologische Bedingungen. Die Akteure umfassen Imkernde, die Vorfälle melden, Amtspersonen, die Proben entnehmen, und Fachleute der UBieV, welche die Untersuchungen durchführen. Die Systementwicklung adressiert Herausforderungen wie Datenintegration, Interoperabilität und Benutzerfreundlichkeit. Für eine Reihe dieser Herausforderungen wurden Lösungen vorgeschlagen und diskutiert. Darunter die Auswahl der passenden Quelle für Wetterdaten zur qualitativen Beurteilung der Bienenflugwahrscheinlichkeit, Einbindung der Daten aus der JKI-Infrastruktur, Optimierungsstrategien für die Antwortzeiten der WCPS-Abfragen sowie Entwicklung einer App für bessere Benutzerakzeptanz.
  • Konferenzbeitrag
    Developing a reusable infrastructure for machine learning on diverse earth observation data for sustainable agriculture and forestry
    (45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) McClelland, Jennifer; Domenic, Anto Raja; Beyer, Florian; de Kock, Arno; Golla, Burkhard
    The integration of machine learning (ML) into environmental protection, particularly in sustainable agriculture and forestry, is increasingly vital given the spatio-temporal scale of the data and analysis. Earth observation data from Sentinel-1 (S1), Sentinel-2 (S2), weather, and LiDAR provide valuable insights, but applying ML algorithms to these diverse datasets presents challenges due to their differences in data structure and formats as well as spatial, spectral and temporal resolutions. This research develops a multi-purpose, extensible infrastructure using open-source technologies, implemented within the cloud platform CODE-DE at Julius Kühn-Institut (JKI), to streamline ML applications for geo-located earth observation data. The infrastructure supports diverse data types, including satellite, weather, and LiDAR records, and is adaptable to future ML models. It has been rigorously tested for detecting plant growth stages (BBCH), demonstrating its potential in agricultural analysis. Future work will extend this to detecting tree and shrub growth events. This research contributes to sustainable agriculture by advancing reusable ML solutions for environmental monitoring.