Logo des Repositoriums
 

SIMLEARN – Ontologiegestützte Integration von Simulationsmodellen, Systemen für maschinelles Lernen und Planungsdaten

Kurzanzeige
dc.contributor.authorReinosch, Nils
dc.contributor.authorMünzberg, Alexander
dc.contributor.authorMartini, Daniel
dc.contributor.authorNiehus, Alexander
dc.contributor.authorSeuring, Liv
dc.contributor.authorTroost, Christian
dc.contributor.authorKumar Srivastava, Rajiv
dc.contributor.authorBerger, Thomas
dc.contributor.authorStreck, Thilo
dc.contributor.authorBernardi, Ansgar
dc.contributor.editorHoffmann, Christa
dc.contributor.editorStein, Anthony
dc.contributor.editorRuckelshausen, Arno
dc.contributor.editorMüller, Henning
dc.contributor.editorSteckel, Thilo
dc.contributor.editorFloto, Helga
dc.date.accessioned2023-02-21T15:14:17Z
dc.date.available2023-02-21T15:14:17Z
dc.date.issued2023
dc.description.abstractMaschinelle Lernverfahren bieten gerade im Agrarbereich mit kaum kontrollierbaren, natürlichen Einflüssen und entsprechender Unsicherheit eine große Chance für betriebliche Entscheidungsunterstützung. Im Projekt SIMLEARN werden die für einen solchen Ansatz benötigten großen Mengen an aufgearbeiteten Trainingsdaten durch in Simulationsmodellen kodifiziertes Wissen mit fortschreitenden Erkenntnissen erlernter Modelle iterativ ergänzt. Durch vorhandene Simulationsmodelle werden umfangreiche synthetische Trainingsdatensätze erzeugt und für das initiale Training eines lernenden Systems verwendet. Das so initiierte lernende System wird durch im landwirtschaftlichen Betrieb erhobene Daten erweitert und an die individuelle betriebliche Situation angepasst. Im Ergebnis soll das trainierte System verbesserte, für den konkreten Betrieb adaptierte Vorhersagen liefern, für die umfangreiche Datenintegration werden dabei Ontologien erprobt. Ontologien bieten hier große Vorteile in der Datenabfrage durch die mehrdimensionale Struktur und logische Verknüpfungen. Für eine bessere Handhabung wird die standardisierte Mappingsprache R2RML verwendet, um die großen Mengen tabellarischer Daten in Ontologien zu überführen. SIMLEARN betrachtet exemplarisch betriebliche Entscheidungen im Getreideanbau auf operativer und taktischer Ebene mit Vorhersagen zu Ertrags-, Einkommens- und Umwelteffekten. Expertenwissen in Form von Faustzahlen und Planungswerten füllt lückenhafte Daten. In dieser Arbeit wird die entwickelte Ontologie vorgestellt.de
dc.identifier.isbn978-3-88579-724-1
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/40295
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartof43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-330
dc.subjectOntologie
dc.subjectSimulation
dc.subjectmaschinelles Lernen
dc.subjectrelationale Daten
dc.subjectDatenmanagement
dc.subjectSmart Data
dc.titleSIMLEARN – Ontologiegestützte Integration von Simulationsmodellen, Systemen für maschinelles Lernen und Planungsdatende
dc.typeText/Conference Paper
gi.citation.endPage482
gi.citation.publisherPlaceBonn
gi.citation.startPage477
gi.conference.date13.-14. Februar 2023
gi.conference.locationOsnabrück

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild
Name:
GIL_2023_Reinosch_477-482.pdf
Größe:
303.72 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P330 - 43. GIL-Jahrestagung 2023 - Fokus: Resiliente Agri-Food-Systeme