Erklärbares maschinelles Lernen für die Analyse der Bodenqualität auf der Grundlage der Pflanzenproduktivität

Die Bodenqualität ist ein entscheidender Faktor für die landwirtschaftliche Produktivität und beeinflusst die Ernteerträge und die Nachhaltigkeit. In diesem Projekt sollen Techniken des erklärbaren maschinellen Lernens (ExML) eingesetzt werden, um die Bodenqualität zu analysieren, indem verschiedene Datenquellen, darunter Fernerkundungs-, Klima- und landwirtschaftliche Managementdaten, integriert werden. Ziel ist es, die einflussreichsten Kombinationen dieser Datenquellen zu identifizieren, indem der Zugang zu verschiedenen umfangreichen Datenbanken genutzt wird. Die Haupthypothese dieser Forschung ist, dass eine hohe Bodenqualität einen großen Einfluss auf die Pflanzenproduktivität hat, selbst unter abiotischen Stressbedingungen. Durch diesen Ansatz wird das Verständnis der Wechselwirkungen zwischen Boden und Kulturpflanze und die Information über nachhaltige landwirtschaftliche Praktiken verbessert, wodurch die Produktivität optimiert und gleichzeitig die Auswirkungen von Umweltstressfaktoren gemildert werden. Es wird erwartet, dass die Ergebnisse dieser Studie Landwirten, Agronomen und politischen Entscheidungsträgern verwertbare Erkenntnisse liefern, die Fortschritte in der Präzisionslandwirtschaft fördern und zur Ernährungssicherheit angesichts des Klimawandels beitragen. Übersetzt mit DeepL.com (kostenlose Version)