Logo des Repositoriums

Auflistung nach Schlagwort "Sensordatenfusion"

1 - 2 von 2
  • Konferenzbeitrag
    LiDAR- und Lichtschattensensor-basierte Sensordaten-fusion zur feldbasierten Phänotypisierung von Getreide
    (39. GIL-Jahrestagung, Digitalisierung für landwirtschaftliche Betriebe in kleinstrukturierten Regionen - ein Widerspruch in sich?, 2019) Cherednyk, Juliia; Jenz, Mario; Möller, Kim; Nieberg, Dominik; Ruckelshausen, Arno
    In diesem Dokument werden komplementäre Sensorfusionsansätze zur feldbasierten Hochdurchsatz-Phänotypisierung von Triticale auf Grundlage bildgebender LiDAR- und Lichtschattensensor-Daten vorgestellt. Die Sensordaten wurden mit der Multisensor-Plattform „BreedVision“ gewonnen. Zur Bestimmung des parzellenbezogenen Parameters werden die Messdaten von LiDAR- und Lichtschattensensor fusioniert. Mit Methoden des überwachten maschinellen Lernens wird ein Biomasse-Vorhersagemodell erstellt. Die extrahierten Pflanzenmerkmale werden auf feldbasierte Daten von 1503 Versuchsparzellen an zwei Versuchsstandorten für je zwei Wachstumsstadien trainiert. Das exponentielle Gauß'sche Prozessregressionsmodell wird mittels der Funktionen in MATLAB® entwickelt.
  • 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.