FuE-Projekt
KATEGORIE
5
PARTNER
≈ 1 Mio €
BUDGET
Aug. 2023 – Okt. 2025
LAUFZEIT
DasTeam
Markscheider Prof. Dr.-Ing. Tobias Hillmann
Hochschule Neubrandenburg
Lehrstuhl für praktische Geodäsie, Kartographie und Datenverarbeitung
Prof. Dr. Erik Borg
Deutsches Zentrum für Luft- und Raumfahrt (DLR), Neustrelitz
Deutsches Fernerkundungsdatenzentrum, Nationales Bodensegment
Norman Rauthe M. Sc.
Hochschule Neubrandenburg
Wissenschaftlicher Projektmitarbeiter
Hauke Hoppe M. Eng.
Fraunhofer-Institut für Graphische Datenverarbeitung IGD-R
Wissenschaftlicher Projektmitarbeiter
Lars Fricke M. Sc.
Hochschule Neubrandenburg
Wissenschaftlicher Projektmitarbeiter
Dipl.-Ing. (FH) Frank Czarnikow
data experts gmbh
Veronika Shvets M. Eng.
Hochschule Neubrandenburg
Wissenschaftliche Projektmitarbeiterin
Wilderich Freiherr von Maltzahn
Daberkower Landhof AG
Was soll erreicht werden?
Im Rahmen des innovativen Forschungsprojekts AMBROSIA streben wir eine nachhaltige Transformation der landwirtschaftlichen Pflanzenproduktion durch den gezielten Einsatz von satellitengestützten Fernerkundungsdaten und georeferenzierten Zusatzinformationen an. Ziel ist es, durch die Kombination dieser Technologien die Ressourceneffizienz zu steigern und gleichzeitig ökologisch nachhaltige Prozesse in der Agrarwirtschaft zu fördern.
Das Projekt fokussiert sich auf die Optimierung der Vorhersage biophysikalischer Parameter in verschiedenen Wachstumsstadien. Durch die Nutzung von Zeitreihen synthetischer und optischer Daten, gepaart mit Künstlicher Intelligenz (KI), entwickeln wir Simulationen, die die Wachstumsentwicklung, Biomassebildung und potenzielle Erträge präzise vorhersagen. Diese fortschrittlichen Methoden ermöglichen es, Anbauflächen und Fruchtfolgen standortoptimiert anzupassen und somit die landwirtschaftliche Produktivität zu maximieren.
Welche Schritte sind dafür erforderlich?
Die Ziele sind an die Entwicklung von Prozessen, Prozessoren, Modulen und Schnittstellen für folgende Aufgaben gebunden:
• Laden und Vorverarbeiten von Fernerkundungs-, georefrenzierten Umwelt- und Zusatzdaten
• Gewinnung fusionierter synthetischer Raum-Zeit-Fernerkundungsdatenreihen
• Klassifikation landwirtschaftlicher Nutzpflanzen unter Nutzung von Random Forest Algorithmen und konventionellen Klassifikationsschemata
•
Ermittlung und Modellierung biophysikalischer Parameter (z.B. FPAR, LAI, Chlorophyllgehalt) zur Phänologie von Kulturen zu verschiedenen Wachstumsstadien und Evaluierung mit Realdaten und Fitting auf Ertragskarten aus Vorjahren
• Ertragsmodellierung mithilfe fernerkundungsbasierter biophysikalischer Parameter unter Nutzung eines semi-empirischen Light-Use-Efficiency-Ansatzes
• KI-gestützte Prognose standortbezogener Ernteerträge auf Basis fernerkundungsbasierter Zeitreihen (Convolutional Neural Networks (CNN)) und modellbasierter Analysen mit Einbeziehung der Fruchtfolge, Ressourceneffizienz und Klimadaten auf Optimierung des Betriebsergebnisses durch Bayes’sche Netze und
• Einbindung und Nutzung dieser Datenbasis im Data Lake BData4AF
Die Aufgaben werden gemeinschaftlich im Verbund der fünf Partner erarbeitet und dienen der anwendungsorientierten, wissenschaftlichen Unterstützung der teilschlagbezogenen Pflanzenproduktion.
Mehr erfahren?
Die bessere Nutzung von Fernerkundungsdaten in der Landwirtschaft interessiert Sie? Sie möchten mit dem Projektteam direkt in Kontakt treten? Dann nutzen Sie gerne die Kontaktmöglichkeiten oben oder schreiben Sie uns:
Jetzt Kontakt aufnehmen