P358 - 45. GIL-Jahrestagung 2025 - Fokus: Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft
Auflistung nach:
Auflistung P358 - 45. GIL-Jahrestagung 2025 - Fokus: Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft nach Titel
1 - 10 von 52
Treffer pro Seite
Sortieroptionen
- Konferenzbeitrag45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft - Komplettband(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025)
- KonferenzbeitragAuf dem Weg zu einer standardisierten Referenzarchitektur für die digitale Landwirtschaft(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Redlich, Jan Christian; von Hirschhausen, Laura-Sophia; Reichardt, Mike; Kloke, Peter; Eisert, Peter; Dörr, Jörg; Bosse, SebastianUm die Standardisierung in der digitalen Landwirtschaft voranzutreiben, haben die International Telecommunication Union (ITU) und die Food and Agriculture Organization (FAO) der Vereinten Nationen im Jahr 2021 die Fokusgruppe „AI and IoT for Digital Agriculture“ (FG-AI4A) gegründet. Ein wesentliches Ergebnis der FG-AI4A ist der Entwurf für eine standardisierte Referenzarchitektur für die digitale Landwirtschaft darstellt. Diese Architektur dient als Referenz und Grundlage für künftige ITU-Standards für plattformbasierte datengetriebene Landwirtschaft. Die Architektur fördert die Datenintegration und ermöglicht die Interoperabilität zwischen Systemen mittels standardisierter Datenmodelle. Die flexible Architektur unterstützt verschiedene datengetriebene Technologien, wie KI-Dienste, und gewährleistet Datensouveränität nach IDSA-Prinzipien. Eine skalierbare Infrastruktur ermöglicht die effiziente Verwaltung wachsender Datenmengen. Dieser Beitrag stellt diese Architektur vor und erläutert, wie Aspekte im NaLamKI-Projekt implementiert und validiert wurden. Zukünftige Forschungsfelder umfassen die Integration fortschrittlicher Datenanalysen und die Weiterentwicklung von Entscheidungsunterstützungssystemen.
- KonferenzbeitragAutomated labeling of soybeans for size measurements(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Bicici, Ufuk Can; Trimmel, Matthias; Riegler-Nurscher, PeterSoybeans are crucial in agriculture and industry, serving as a key source of protein and oil for food, feed, and various applications. Measuring individual soybean seed properties, such as size, color, and texture, aids in predicting batch parameters. In a conveyor belt setup, images captured by an RGB camera are analyzed using computer vision techniques, such as object detection and segmentation, to identify whole beans, which are then used for size measurements. For such a supervised machine learning approach, annotated data is essential. To address the challenge of manual data labeling, we propose an automated annotation system for identifying beans on a conveyor belt. Using the Segment Anything Model (SAM), contours are extracted, and ellipses are fitted to approximate bean shapes. In a dataset of 17,386 images, SAM generated over 3.5 million contours, with approximately 265,000 annotated as individual beans. Preliminary results from a deep learning-based ellipse detection model and a panoptic segmentation model, both trained on the generated soybean dataset, are presented.
- KonferenzbeitragAutomatisierte Erkennung von Mineraldüngerkörnern auf Drohnenbildern mittels Computer Vision(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Kitzler, Florian; Keller, Samuel; Bauer, Alexander; Kruder-Motsch, ViktoriaDie Präzisionslandwirtschaft gewinnt zunehmend an Bedeutung, da sie eine gezielte und ressourcenschonende Steuerung landwirtschaftlicher Prozesse ermöglicht. Insbesondere die variable Düngung spielt dabei eine wichtige Rolle, um Nährstoffe bedarfsgerecht auf Feldflächen zu verteilen. Bisher werden Streubilder von Düngerstreuern mit Prüfschalen oder -matten ermittelt, was einen hohen manuellen Arbeitsaufwand bedeutet und für die teilflächenspezifische Düngung unzureichend ist, da nur punktuelle Messungen möglich sind. Eine automatisierte Erkennung der Düngerverteilung basierend auf Drohnenbildern bietet das Potenzial, diesen Prozess effizienter zu gestalten. In dieser Arbeit wird ein Algorithmus vorgestellt, der Mineraldünger auf georeferenzierten Drohnenaufnahmen erkennt. Mittels Konturenerkennung und globalem Thresholding werden die Körner auf Graustufenbildern identifiziert. Die Methode wurde anhand von manuell annotierten Testbildern validiert. Die Ergebnisse zeigen eine Präzision von 94,3 % und einen Recall von 93,9 %, was die Effektivität der automatisierten Erkennung unterstreicht. In Zukunft soll die Methode in GIS-Programme integriert werden, um eine leichtere und präzisere Evaluierung der variablen Düngung zu ermöglichen.
- KonferenzbeitragAutomatisierte Erzeugung eines Trainingsdatensatzes zur bildbasierten Tieridentifikation mittels KI(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Möller, Sebastian; Hölscher, Matthias; Morisse, KarstenDieser Beitrag beschreibt das Vorgehen und die erzielten Ergebnisse bei der Erzeugung eines Bilddatensatzes, der zum Training einer bildbasierten, KI-unterstützten Identifikationslösung für Milchrinder verwendet werden soll. Der diesem Beitrag zugehörige Bilddatensatz enthält derzeit mehrere Tausend den jeweiligen Einzeltieren zugeordnete Aufnahmen von insgesamt 170 verschiedenen Tieren aus einer 90° seitlich rechts orientierten Perspektive und kann frei heruntergeladen werden. Der Datensatz umfasst bis auf wenige Ausnahmen Bilder der Rinderrasse „Holstein“.
- KonferenzbeitragAutomatisierte Pflanzenzählung des Steirischen Ölkürbisses mittels Multispektraldrohne(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Kruder-Motsch, Viktoria; Moser, Simone; Probst, ClaudiaDie Pflanzenzählung ist ein kritischer Schritt im pflanzenbaulichen Versuchswesen zur Erfassung von Auflauf- und Entwicklungsunterschieden zwischen Sorten. Manuelle Bonituren sind jedoch zeit- und personalintensiv, weshalb sensorbasierte Technologien und klassische Bildverarbeitungsmethoden eingesetzt werden. In dieser Studie wird ein Algorithmus zur automatisierten Pflanzenzählung des Steirischen Ölkürbisses vorgestellt, der auf Bilddaten einer Drohne mit Multispektralkamera basiert und mit der Geoinformationssystemsoftware QGIS implementiert wurde. Im Versuchsjahr 2024 wurden Drohnenaufnahmen von 15 Kürbissorten in der Südoststeiermark erfasst. Der entwickelte Algorithmus zeigt eine durchschnittliche Abweichung von -1,97 % im Vergleich zur manuellen Zählung. Da die Pflanzenanzahl eine Korrelation zum mittleren NDVI-Wert pro Parzelle aufweist, wurde ein Korrekturfaktor eingeführt, der die Abweichung auf -0,22 % reduziert. Der entwickelte Algorithmus ermöglicht nicht nur eine präzise Zählung der Pflanzen, sondern unterstützt auch die Analyse weiterer pflanzenbaulicher Parameter und bietet somit vielversprechende Perspektiven für die Automatisierung der Pflanzenbonitur und die Verbesserung der Züchtungs- und Anbaustrategien.
- KonferenzbeitragBereitstellung 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, BurkhardIm 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.
- KonferenzbeitragComparing Mask R-CNN and Mask2Former architectures for individual tree crown delineation(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Ruschhaupt, Sonja; Troles, Jonas; Schmid, UteWeather anomalies caused by the anthropogenic climate crisis challenge environmental workers such as foresters with an increasing number of responsibilities. In addition to providing attractive conditions for new generations of workers, deep-learning tools can ease processes for better efficiency. Tree instance segmentation has potential for many functionalities that support arborists and foresters by detecting and classifying singular trees. In the past, Mask R-CNN was primarily applied due to its outstanding performance on the 2016 COCO dataset challenge. As an alternative, we suggest Mask2Former, which outperforms Mask R-CNN on the COCO dataset. Additionally, we test whether additional digital canopy height model data can improve training. While the latter is shown to have no, if not a negative impact on the results, Mask2Former indeed outperforms Mask R-CNN in tree instance segmentation by up to 3.8%. Our code is publicly available.2
- KonferenzbeitragControlled vocabularies in metadata(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Martini, Daniel; Turbati, Andrea; Subirats, ImmaInnovation in research and development relies on findability of information on prior work. For that purpose, FAO maintains AGRIS, an aggregator system making publication and dataset metadata distributed all across the globe searchable. Keyword metadata are a crucial factor for navigation and information retrieval in such systems. Thesauri like AGROVOC provide a means for standardized keyword assignment following best practices of subject indexing. A metadata analysis has been conducted with the objective of identifying common usage patterns and determining whether concept coverage in AGROVOC is adequate for annotation and indexing in AGRIS.
- KonferenzbeitragData requirement analysis of farm sustainability assessment tools(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Mubarak, Fathima Raiza Farwin Mohamed; Nachtmann, MatthiasAgricultural production significantly contributes to global greenhouse gas (GHG) emissions, impacting climate, water quality, and biodiversity. Sustainability assessment (SA) tools have been developed to evaluate and mitigate these emissions, yet substantial variability in their data requirements affects output reliability. This study compares the content and technical requirements of six prominent SA tools—Cool Farm Tool, Farm Carbon Calculator, Holos, Field-to-Market, COMET-Farm, and Agrecalc. Results reveal critical gaps, such as the inconsistent inclusion of fertilizer origin data and soil organic carbon inputs, which significantly affects emission factor calculations. The findings offer a foundation for standardizing data requirements and improving tool accuracy, supporting sustainable farming practices globally.