Münzberg, AlexanderTroost, ChristianReinosch, NilsMartini, DanielSeuring, LivNiehus, AlexanderSrivastava, RajivStreck, ThiloBerger, ThomasBernardi, AnsgarKlein, MaikeKrupka, DanielWinter, CorneliaWohlgemuth, Volker2023-11-292023-11-292023978-3-88579-731-9https://dl.gi.de/handle/20.500.12116/43080Anhand 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.deSmart FarmingEntscheidungsunterstützende SystemeDeep LearningTransfer LearningZeitreihenvorhersageConvolutional Neural NetworksAutoencoderText/Conference Paper10.18420/inf2023_1551617-5468