Logo des Repositoriums
 

Landwirtschaftliche Ertragsvorhersage im Kontext begrenzter realer Trainingsdatensätze: ein Transfer-Learning-Ansatz unter Verwendung tieferneuronalerNetze

Kurzanzeige
dc.contributor.authorMünzberg, Alexander
dc.contributor.authorTroost, Christian
dc.contributor.authorReinosch, Nils
dc.contributor.authorMartini, Daniel
dc.contributor.authorSeuring, Liv
dc.contributor.authorNiehus, Alexander
dc.contributor.authorSrivastava, Rajiv
dc.contributor.authorStreck, Thilo
dc.contributor.authorBerger, Thomas
dc.contributor.authorBernardi, Ansgar
dc.contributor.editorKlein, Maike
dc.contributor.editorKrupka, Daniel
dc.contributor.editorWinter, Cornelia
dc.contributor.editorWohlgemuth, Volker
dc.date.accessioned2023-11-29T14:50:21Z
dc.date.available2023-11-29T14:50:21Z
dc.date.issued2023
dc.description.abstractAnhand von KI-gestützten Entscheidungshilfen in der Landwirtschaft, beispielsweise durch Anpassung von Düngeapplikationen oder des zeitlichen Feldarbeits-Managements, kann die Produktivität auf einer ökologischen und nachhaltigen Sicht gesteigert werden. Wir beschreiben eine Lösung, um mit Hilfe von neuronalen Netzen Ertrags- und Wachstumsprognosen in realen landwirtschaftlichen Daten zu erzielen. Das Problem geringer Trainingsdatenmengen wird dadurch gelöst, dass zunächst ein System anhand von Simulationsdaten antrainiert und mittels Transfer- Learning an spezifische reale Betriebsbedingungen anhand einiger weniger Realdaten angepasst wird. Die Ergebnisse der Realprognose werden anhand einer Kreuzvalidierungsstrategie evaluiert.de
dc.identifier.doi10.18420/inf2023_155
dc.identifier.isbn978-3-88579-731-9
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/43080
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofINFORMATIK 2023 - Designing Futures: Zukünfte gestalten
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-337
dc.subjectSmart Farming
dc.subjectEntscheidungsunterstützende Systeme
dc.subjectDeep Learning
dc.subjectTransfer Learning
dc.subjectZeitreihenvorhersage
dc.subjectConvolutional Neural Networks
dc.subjectAutoencoder
dc.titleLandwirtschaftliche Ertragsvorhersage im Kontext begrenzter realer Trainingsdatensätze: ein Transfer-Learning-Ansatz unter Verwendung tieferneuronalerNetzede
dc.typeText/Conference Paper
gi.citation.endPage1525
gi.citation.publisherPlaceBonn
gi.citation.startPage1515
gi.conference.date26.-29. September 2023
gi.conference.locationBerlin
gi.conference.sessiontitleÖkologische Nachhaltigkeit - KIU-2027

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild
Name:
07_06_04_Muenzberg.pdf
Größe:
289.13 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P337 - INFORMATIK 2023 - Designing Futures: Zukünfte gestalten